動(dòng)態(tài)推薦系統(tǒng)通過(guò)學(xué)習(xí)動(dòng)態(tài)變化的興趣特征來(lái)考慮推薦系統(tǒng)中的動(dòng)態(tài)因素，實(shí)現(xiàn)推薦任務(wù)隨著時(shí)間變化而實(shí)時(shí)更新。該文提出一種攜帶歷史元素的循環(huán)神經(jīng)網(wǎng)絡(luò)（ Recurrent Neural Networks，簡(jiǎn)稱RNN）推薦模型負(fù)責(zé)用戶短期動(dòng)態(tài)興趣建模，而利用基于前饋神經(jīng)網(wǎng)絡(luò)（ Feedforward Neural Networks，簡(jiǎn)稱FNN）的推薦模型對(duì)用戶長(zhǎng)期興趣建模。通過(guò)兩種神經(jīng)網(wǎng)絡(luò)的融合，該文構(gòu)建了一個(gè)兼顧用戶短期動(dòng)態(tài)興趣和穩(wěn)定長(zhǎng)期興趣的多神經(jīng)網(wǎng)絡(luò)混合動(dòng)態(tài)推薦模型（ Hybrid Dynamic Recommendation Model based on Multiple Neural Networks，簡(jiǎn)稱 MN-HDRM）。實(shí)驗(yàn)結(jié)果表明相對(duì)于目前比較流行的多種動(dòng)態(tài)推薦算法： Times+十、基于HMM（ Hidden markov Model）的推薦模型、基于RNN（ Recurrent Neural Networks）的推薦模型、基于LSTM（ Long Short-term Memory）的推薦模型和sTG（ Session- based Temporal graph）推薦模型，MN-HDRM在精確率、召回率和平均倒數(shù)排名等多項(xiàng)評(píng)價(jià)指標(biāo)上展現(xiàn)出更加優(yōu)越的性能。
?