Resumen

Modelar comportamientos de usuario como aprendizaje secuencial proporciona ventajas clave en la predicción de acciones futuras de los usuarios, como predecir el próximo producto a comprar o la próxima canción a escuchar, con el fin de búsqueda personalizada y recomendación. Los métodos tradicionales para modelar comportamientos de usuario secuenciales generalmente dependen de la premisa de procesos de Markov, mientras que recientemente las redes neuronales recurrentes (RNNs) han sido adoptadas para aprovechar su poder en la modelización de secuencias. En este artículo, proponemos integrar un mecanismo de atención en las RNNs para modelar mejor los comportamientos secuenciales de los usuarios. Específicamente, diseñamos una red que presenta atención con unidades recurrentes GRU basadas en intervalos de tiempo largo (ALI-GRU) para modelar secuencias temporales de acciones de usuario. En comparación con trabajos anteriores, nuestra red puede explotar la información de la dimensión temporal extraída por la GRU basada en intervalos de tiempo además de la GRU normal para codificar acciones de usuario, y

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Modelado; Aprendizaje secuencial; Comportamientos de usuario; Redes neuronales recurrentes; Mecanismo de atención; ALI-GRU
• Keywords:Modeling; Sequential learning; User behaviors; Recurrent neural networks; Attention mechanism; ALI-GRU