يك مدل خودتوجه تجزيه‌شده براي سيستم‌هاي توصيه‌گر دنباله‌اي

پويايي در دنباله، از ويژگي‌هاي كليدي سيستم‌هاي توصيه‌گر دنباله‌اي مدرن است. براي مدل‌سازي روندهاي پويا در علايق و انتخاب‌هاي كاربران، از دو رويكرد زنجيره‌هاي ماركوف و شبكه‌هاي عصبي بازگشتي استفاده مي‌شود.روش‌هاي مبتني بر زنجيره ماركوف بر روي مجموعه داده‌هاي خلوت عملكرد بهتري دارند؛ اما شبكه‌هاي عصبي بازگشتي بر روي مجموعه داده‌ متراكم عملكرد بهتري نشان داده‌اند. ما در اين مقاله قصد داريم كه با استفاده از سازوكار خودتوجه، مزيت‌هاي هر دو نگرش زنجيره ماركوف و شبكه‌هاي عصبي بازگشتي را به دست آوريم.با استفاده از جاسازي موقعيت، مدل خودتوجه از موقعيت آيتم‌هاي قبلي آگاه خواهد بود و با استفاده از سازوكار خودتوجه تجزيه شده پيش‌بيني آيتم‌هاي بعدي كاربر را براساس تعداد كمي از تعاملات‌هاي قبل او انجام مي‌دهيم. ارزيابي روش پيشنهادي بر روي چهار مجموعه داده در مقايسه با ديگر روش‌هاي سيستم‌هاي توصيه‌گر دنباله‌اي بر روي هر دو مجموعه داده خلوت و متراكم نرخ برخورد و دقت بالاتري را نشان مي‌دهد.