基于领域融合和时间权重的招工推荐模型

针对推荐系统使用嵌入层&多层感知机（Embedding&MLP）范式学习用户表示时强特征过拟合和弱特征欠拟合的问题,以及使用门控循环单元（GRU）学习用户兴趣时没有考虑到当前行为对用户最终兴趣的影响力会随时间推移逐渐减弱的问题,设计了一种基于领域融合和时间权重的招工推荐模型（RecRec）。首先,RecRec采用新的领域融合层来代替传统的串联层,而领域融合层在多域特征上表现出显著的优越性能。然后,RecRec在兴趣演化层将时间权重融入GRU,并提出时间戳门控循环单元（TSGRU）,而TSGRU能更准确地学习用户兴趣。最终,RecRec通过预测用户拨通率来实现个性化推荐。实验结果表明,相较于YouTube DNN、Wide&Deep、融合注意力LSTM的协同过滤算法（ALAMF）和分期序列自注意力网络（LSSSAN）,RecRec的AUC提高了0.03～0.36个百分点,说明RecRec能有效学习用户表示和用户兴趣。