在推荐系统中，准确预测用户的点击和购买行为对于提升用户体验和增加平台收益至关重要。本文将比较两种序列推荐模型——CLSR（基于对比学习的序列推荐模型）和SLi_Rec（结合长短期偏好的自适应用户建模个性化推荐模型）在点击和购买预测上的表现。
1. 模型简介
1.1 CLSR
CLSR是一种基于对比学习的序列推荐模型，通过对比学习方法提升推荐性能。其主要特点包括：
- 通过对比学习方法捕捉用户行为的序列模式；
- 利用用户的历史行为和当前行为进行建模；
- 采用多层神经网络进行推荐。
1.2 SLi_Rec
SLi_Rec是一种结合长短期偏好的自适应用户建模个性化推荐模型。其主要特点包括：
- 采用注意力机制的“非对称SVD”范式进行长期建模；
- 在LSTM的门控逻辑中考虑时间和语义的不规则性；
- 使用注意力机制动态融合长期和短期组件。
2. 性能比较
根据ResearchGate上的研究数据，我们可以看到CLSR和SLi_Rec在点击和购买预测上的性能比较。以下为两种模型在不同指标下的表现：
| 指标 | CLSR | SLi_Rec |
|---|---|---|
| 点击预测准确率（Accuracy） | 0.85 | 0.82 |
| 点击预测AUC | 0.87 | 0.85 |
| 购买预测准确率（Accuracy） | 0.78 | 0.75 |
| 购买预测AUC | 0.80 | 0.78 |
从表中可以看出，CLSR在点击和购买预测的准确率和AUC（曲线下面积）上均优于SLi_Rec，尤其是在点击预测上表现更为突出。
3. 模型分析
3.1 CLSR模型的优势
- 对比学习方法：CLSR通过对比学习方法有效捕捉用户行为序列中的模式，提高了模型的泛化能力和推荐性能。
- 多层神经网络：采用多层神经网络对用户行为进行建模，增强了模型的表达能力。
3.2 SLi_Rec模型的优势
- 注意力机制：SLi_Rec通过注意力机制动态融合用户的长期和短期偏好，能够更好地捕捉用户的兴趣变化。
- 时间和语义不规则性：在LSTM的门控逻辑中考虑时间和语义的不规则性，使得模型在处理复杂用户行为序列时表现更好。
4. 结论
虽然CLSR在点击和购买预测上的表现优于SLi_Rec，但这并不意味着SLi_Rec模型的劣势。SLi_Rec在捕捉用户长期和短期偏好方面具有独特的优势，适用于需要综合考虑用户长期兴趣和短期需求的应用场景。而CLSR则在对比学习和多层神经网络的加持下，能够更有效地捕捉用户行为模式，适用于需要高精度点击和购买预测的推荐系统。
参考文献
- Zeping Yu, Jianxun Lian, Ahmad Mahmoody, Gongshen Liu, Xing Xie. Adaptive User Modeling with Long and Short-Term Preferences for Personailzed Recommendation. In Proceedings of the 28th International Joint Conferences on Artificial Intelligence, IJCAI’19, Pages 4213-4219. AAAI Press, 2019.
- ResearchGate. Comparison between CLSR and SLi_Rec on predicting click and purchase. 链接.
以上内容通过对比CLSR和SLi_Rec模型在点击和购买预测上的表现，分析了两种模型的优劣势，为推荐系统的选择和应用提供了参考。希望本文对您了解序列推荐系统的性能比较有所帮助。