文献类型：期刊文章

作　　者：耿杰[1] 刘春丽[1,2] 魏雪梅[1] 程明月[3] 袁昆[1,2] 李洋[4] 刘业政[1,2]

Geng Jie;Liu Chunli;Wei Xuemei;Cheng Mingyue;Yuan Kun;Li Yang;Liu Yezheng(School of Management,Hefei University of Technology,Hefei 230009;National Engineering Laboratory for Big Data Distribution and Exchange Technologies(Shanghai Data Trading Center),Shanghai 201210;School of Data Science,University of Science and Technology of China,Hefei 230026;School of Business,Montclair State University,Montclair,New Jersey USA 07043)

机构地区：[1]合肥工业大学管理学院,合肥230009 [2]大数据流通与交易技术国家工程实验室(上海数据交易中心),上海201210 [3]中国科学技术大学大数据学院,合肥230026 [4]蒙特克莱尔州立大学商学院,美国新泽西蒙特克莱尔07043

出　　处：《计算机研究与发展》

基　　金：国家自然科学基金项目(72271084,72071069)。

年　　份：2023

卷　　号：60

期　　号：8

起止页码：1795-1807

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2023_2024、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：重复购买是消费者日常消费决策中的常见现象,考虑用户重购行为对于提升产品个性化推荐准确性至关重要.然而针对用户重购行为建模和预测的研究工作相对较少,还有很多问题有待解决.已有推荐技术主要通过深度挖掘产品、用户或时间某一层面信息来进行重购产品推荐,忽略了对多层次信息融合建模方法的研究,同时也忽略了重购推荐结果的可解释性需求.因此,融合多层次用户偏好信息,构建了具有双层注意力机制的可解释用户重复消费推荐方法.该方法融合注意力机制和指针生成网络,多层次提取并学习用户重购偏好,同时基于信息处理理论构建S型用户重购动态偏好函数,融合产品流行度信息进行重购产品和新颖产品的混合推荐,提高了模型可解释性和准确性.真实数据集上的实验结果表明,所提方法在多个性能指标上都优于对比方法,且学习出的参数具备较好的可解释性.此外,通过回归分析验证了S型重购动态偏好函数的可信性,进一步增强了理论的可解释性.

关 键 词：产品推荐  重复消费  可解释性 注意力机制  信息处理理论  

分 类 号：TP391]