一种携带历史元素的循环神经网络推荐模型

动态推荐系统通过学习动态变化的兴趣特征来考虑推荐系统中的动态因素，实现推荐任务随着时间变化而实时更新。该文提出一种携带历史元素的循环神经网络（ecurrentNeuralNetworks，简称RNN）推荐模型负责用户短期动态兴趣建模，而利用基于前馈神经网络（FeedforwardNeuralNetworks，简称FNN）的推荐模型对用户长期兴趣建模。通过两种神经网络的融合，该文构建了一个兼顾用户短期动态兴趣和稳定长期兴趣的多神经网络混合动态推荐模型（HybridDynamicRecommendaTIonModelbasedonMulTIpleNeuralNetworks，简称MN-HDRM）。实验结果表明相对于目前比较流行的多种动态推荐算法：TImes基于HMM（Hiddenmarkovmodel）的推荐模型、基于RNN（RecurrentNearalNetworks）的推荐模型、基于LSTM（LongShort-TermMemory）的推荐模型和sTG（Session-basedTemporalgraph）推荐模型，MN-HRM在精确率、召回率和平均倒数排名等多项评价指标上展现出更加优越的性能。