中科大等提出深度注意力网络DAM用于捆绑推荐
Matching User with Item Set: Collaborative Bundle Recommendation with Deep Attention Network
Liang Chen, Yang Liu, Xiangnan He, Lianli Gao and Zibin Zheng
Sun Yat-sen University, University of Science and Technology of China, The University of Electronic Science and Technology of China
https://www.ijcai.org/Proceedings/2019/0290.pdf
大部分推荐系统中的研究都是集中在给用户推荐单个商品，比如很多协同过滤的工作都是对用户和商品之间的交互进行建模。但是，在很多真实应用场景中，平台需要给用户展示商品集合，比如，营销策略中会将多个商品打包在一起销售。
这篇文章中对用户推荐商品集合，即捆绑推荐，考虑对用户和商品的集合进行建模。作者们提出一种神经网络解决方案，即DAM，深层注意力多任务模型，该模型有两个特性
1. 设计了分解注意力网络对商品的embedding进行聚合，进而得到捆绑表示
2. 以多任务的方式对用户捆绑交互和用户商品交互联合建模，避免了用户捆绑交互的不足。
在真实数据集上的实验表明，DAM优于STOA的方案，验证了注意力和DAM中多任务学习的有效性。
商品捆绑图示如下
作者们所提模型主要解决以下问题
下面是问题描述
针对embedding聚合方式有多个
作者们采用下面一种基于注意力的聚合方式
作者们所提出的分解机注意力网络简介如下
用户捆绑和用户商品交互的联合建模方式简介如下
如果以分开方式建模，具有一定的缺陷
统一方式建模简介如下
联合建模整体图示如下
多任务学习目标函数及拆解方式如下
作者们利用的数据集简介如下
下面是数据集信息统计
下面是作者们所采用的指标
参与对比的模型有以下几个
超参数设置如下
几种方法的效果比较如下
几种融合策略效果对比如下
不同的共享层数对模型效果影响如下
我是分割线
您可能感兴趣
浙大中科院微软等提出分层注意力网络SHAN用于序列推荐系统
加州大学提出时间间隔自注意力模型用于序列推荐(已开源)
普渡大学提出轻量级特征交互算法deeplight大幅加速ctr预估在线服务(已开源)
谷歌和加州大学提出多粒度量化embedding用于大规模类别特征表示
加州大学提出个性化Transformer序列推荐模型SSE-PT(已开源)
谷歌提出深层哈希embedding用于大规模类别型特征表示
微软提出基于知识图谱的深度神经网络DKN用于新闻推荐
谷歌提出改进版DCN(DCNV2)用于大规模推荐系统
ADKDD2017|深度交叉网络DCN在广告点击预估中的应用
WWW2018|FwFM加权域分解机在CTR预估中的应用
WSDM2020|InterHAt分层注意力可解释CTR预估(已开源)
CIKM2019|Fi-GNN图神经网络学习特征交互在CTR预估中的应用(已开源)