Recently, deep learning has dominated the recommender system, as it is able to effectively capture nonlinear and nontrivial user–item relationships, and perform complex nonlinear transformations. However, there are still some issues with respects to the existing methods. Firstly, they always treat user–item interactions independently, and may fail to cover more complex and hidden information that is inherently implicit in the local neighborhood surrounding an interaction sample. Secondly, by quantifying the dependence degree of user–item sequences, it demonstrates that both short-term and long-term dependent behavioral patterns co-exist. Unfortunately, typical deep learning methods might be problematic when coping with very long-term sequential dependencies. To address these issues, we propose a novel unified neural collaborative recommendation algorithm that capitalizes on memory networks for learning attention embedding from implicit interaction (NCRAE). Particularly, the attention is capable of learning the relative importance of different users and items from user–item interaction sequences, which provides a better solution for concentrating on inputs and helps to better memorize long-term sequential dependencies. Extensive experiments on three real-world datasets show significant improvements of our proposed NCRAE algorithm over the competitive methods. Empirical evidence shows that using memory networks for learning attention embeddings of users’ implicit interaction yields better recommendation performance.

最近，深度学习主导了推荐系统，因为它能够有效地捕捉非线性和非平凡的用户-项目关系，并执行复杂的非线性转换。然而，现有方法仍然存在一些问题。首先，他们总是独立地处理用户-项目交互，并且可能无法涵盖更复杂和隐藏的信息，这些信息固有地隐含在交互样本周围的局部邻域中。其次，通过量化用户-项目序列的依赖程度，证明了短期和长期依赖的行为模式并存。不幸的是，典型的深度学习方法在处理非常长期的顺序依赖时可能会出现问题。为了解决这些问题，我们提出了一种新颖的统一神经协同推荐算法，该算法利用记忆网络从隐式交互（NCRAE）中学习注意力嵌入。特别是，注意力能够从用户-项目交互序列中学习不同用户和项目的相对重要性，这为专注于输入提供了更好的解决方案，并有助于更好地记忆长期顺序依赖性。对三个真实世界数据集的大量实验表明，我们提出的 NCRAE 算法比竞争方法有显着改进。经验证据表明，使用记忆网络学习用户隐式交互的注意力嵌入会产生更好的推荐性能。特别是，注意力能够从用户-项目交互序列中学习不同用户和项目的相对重要性，这为专注于输入提供了更好的解决方案，并有助于更好地记忆长期顺序依赖性。对三个真实世界数据集的大量实验表明，我们提出的 NCRAE 算法比竞争方法有显着改进。经验证据表明，使用记忆网络学习用户隐式交互的注意力嵌入会产生更好的推荐性能。特别是，注意力能够从用户-项目交互序列中学习不同用户和项目的相对重要性，这为专注于输入提供了更好的解决方案，并有助于更好地记忆长期顺序依赖性。对三个真实世界数据集的大量实验表明，我们提出的 NCRAE 算法比竞争方法有显着改进。经验证据表明，使用记忆网络学习用户隐式交互的注意力嵌入会产生更好的推荐性能。对三个真实世界数据集的大量实验表明，我们提出的 NCRAE 算法比竞争方法有显着改进。经验证据表明，使用记忆网络学习用户隐式交互的注意力嵌入会产生更好的推荐性能。对三个真实世界数据集的大量实验表明，我们提出的 NCRAE 算法比竞争方法有显着改进。经验证据表明，使用记忆网络学习用户隐式交互的注意力嵌入会产生更好的推荐性能。