摘要：本文对传统的RNN结构进行了改进，提出了时间感知控制器和内容感知控制器，以便更好地考虑上下文信息来控制状态转换。我们进一步提出了一个基于注意力的框架，将用户的长期偏好和短期偏好结合起来，从而可以根据特定的上下文自适应地生成用户的表征。
本文重点研究了两个关键问题：动态时间间隔和动态潜在意图。第一个问题表明用户连续操作之间的时间间隔可能不同。例如，他/她的下一个动作可能发生在第二天或下周。直观地说，短时间间隔内的两个动作往往比长时间间隔内的两个动作共享更紧密的关系。因此，这种时间距离值得特别处理。另一方面，动态潜在意图问题表明了一种语义距离。客户意图，也被称为用户行为背后的主要目的，通常会在不同的会话中发生变化。无关紧要的动作对于预测用户的特定未来动作毫无用处。所以本文在统一模型中同时解决动态时间间隔和潜在意图问题。
TC-SeqRec模型有两个关键机制，分别对应于时间感知控制器和内容感知控制器。具体地说，为了应对时间感知距离，我们提出利用经典LSTM中的门控机制，它能够根据时间上下文控制信息应该翻译到未来阶段的程度。为了应对内容感知距离，我们采用注意力机制来动态过滤用户行为序列中不相关的行为，因为注意力机制已经在推荐系统、问答、机器翻译和图像字幕等多个领域取得了显著的效果。通过时间感知机制和内容感知机制的联合训练，TC-SeqRec对于短期用户建模更加有效和健壮。
LSTM建立了模型，其方程如下：
两个挑战：1.更好的利用时间间隔 3.捕捉用户短期意图
1.采用了两个时间门来捕捉时间信息
采用注意力机制来获取短期意图：获取推荐物品与之前物品的相关度。
融合方式
最后放入到两层MLP中
损失函数，负对数：
最终：损失函数+正则化
论文存在的问题：
- 获取短期兴趣，但是加入了时间信息，一般是在一个session中获取
- Ok，最后采用相加的方式是否合理
作者
