2023年第3期计算机与数字工程收稿日期：2022年8月12日，修回日期：2022年9月23日基金项目：江苏省重点研发计划（社会发展）项目（编号：BE2016630，BE2017628）资助。作者简介：吴定谕，男，硕士研究生，研究方向：数据挖掘与机器学习。周从华，男，博士，教授，研究方向：大数据技术、人工智能。单田华，男，硕士，讲师，研究方向：大数据分析。刘志锋，男，博士，副教授，研究方向：数据挖掘与机器学习。∗1引言推荐系统能够缓解由于互联网快速发展所导致的“信息过载”的问题，帮助用户从大量信息中找出用户所需要的信息。传统推荐系统大多依据用户评分来判断用户喜好实现未评分项目预测，比如最为经典的矩阵分解（MatrixFactorization，MF）模型［1］，将用户和项目特征映射成同一隐空间的隐向量。然而，评分仅能大致表现用户对项目的整体态度，无法对用户喜好的原因进行挖掘，例如用户喜欢某间餐厅是因为美食还是因为服务态度好，可解释性较差。另一方面，评分矩阵一般情况下都十分稀疏，进行评分预测的精度较差。基于以上原因，研究人员将研究重点转移至基于评论文本的推荐模型，相比于评分仅能代表用户的总体态度而言，评论信息能够体现用户喜好的原因，具有较强的可解释性。许多推荐模型应运而生，例如CTR［2］、HFT［3］等，这些模型验证了基于评论的推荐模型的有效性。但是这些以往的工作一般都是使用隐狄利克雷分配模型（LDA）［4］从评论总第401期2023年第3期计算机与数字工程Computer&DigitalEngineeringVol.51No.3基于双重注意力机制和时间因子的深度推荐模型∗吴定谕周从华单田华刘志锋（江苏大学计算机科学与通信工程学院镇江212013）摘要现阶段大多数基于评论文本的推荐模型没有从多个视角充分挖掘用户评论的价值，忽略了评论文本在不同层面的重要度信息。基于此，论文提出一种基于双重注意力机制和时间因子的深度推荐模型DATCoNN。该模型使用并行的卷积神经网络结合两层注意力层分别挖掘单词层面和评论层面的重要度信息，然后使用时间因子进一步拟合用户对项目兴趣度的变化情况，最终采用因子分解机实现评分预测。模型在Amazon的三组不同领域数据集上进行对比实验评估，发现论文提出的推荐模型性能最优，同时该模型具有较好的可解释性。关键词推荐系统；注意力机制；卷积神经网络；时间因子中图分类号TP39DOI：10.3969/j.issn.1672-9722.2023.03.026ADeepRecommendationModelBasedonDualAttentionMechanismandTimeFactorWUDingyu...
