基于记忆优先级的短序列推荐（Session-based Recommendation）

阅读更多，欢迎关注公众号：论文收割机（paper_reader）

原文链接：基于记忆优先级的短序列推荐

Liu Q, Zeng Y, Mokhosi R, et al. STAMP: Short-Term Attention/Memory Priority Model for Session-based Recommendation[C] Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM, 2018: 1831-1839.

 

       在推荐系统中，session-based recommendation （本文翻译为短序列推荐）是一个热点问题。短序列推荐的意思是在一个时间窗口内连续的点击行为，比如，一位用户在登陆淘宝的这段时间里连续点击了10个商品，那么这10个商品就是一个短序列。目前传统的方法是通过RNN进行序列建模来预测，在这篇文章中，他们提出了一种基于记忆优先级的模型来进行推荐，着重点出了序列中最后一次点击的商品对于接下来需要预测商品的重要性 。

 

背景

 

       短序列推荐（Session-based Recommendation）在现在电子商务系统中有非常重要的作用，它能在用户浏览网页时给出适合用户当前购买的商品。因此，在这种情景下我们的任务就是采取用户过去一段时间的点击记录来对未来进行预测。这样预测的好处在于我们可以了解到用户当前情况下对商品的偏好。从常理来推断，和用户当前希望浏览的商品最相关的是和用户上一个浏览的商品，并且不同的时间浏览过商品的重要性不同，所以这篇文章的模型就是将最后一个浏览的商品重点考虑，同时将之前浏览的所有商品用attention建模。

 

模型

 

      如图1所示，最底层x1 … xt是当前序列，其中标红的是最后一个商品。对全局商品用attention建模得到一个全局表达，然后输入多层感知机（MLP），然后将最后一个商品直接输入多层感知机建模得到最后一个商品的表达，最后我们将这两个表达组合起来，用softmax来预测未来可能会点击的n个商品。

图1. STAMP模型

 

实验

 

       这篇文章在Yoochoose和Diginetica两个经典的短序列数据集上进行了多组实验。评价指标为P@20何MRR@20。P@20代表在每个用户预测的20个商品中有多少比例的用户成功预测出了真实点击的商品。MRR@20代表预测中的商品有多少排名更高。

       实验结果如图2，NARM是之前文章最好的结果，STMO是只用最后一个商品预测的结果，STMP是没有用attention的结果，，STAMP是这篇文章主要提出模型的结果。可以看出仅用最后一个商品预测效果都比很多传统方法要好很多，同时STAMP方法取得了当前数据集最好的结果。

图2. 实验结果

 

个人总结

 

       这篇文章为session-based recommendation提供了一个新的思路，即用最后一个或几个商品建模用户需求，用整体表现用户偏好。但这篇文章的缺点在于模型过于简单，实验效果提高不明显，同时缺乏结构化信息。

 

参考文献

STAMP: Short-Term Attention/Memory Priority Model for Session-based Recommendation

阅读更多，欢迎关注公众号：论文收割机（paper_reader）