What Can History Tell Us? Identifying Relevant Sessions for Next-Item Recommendation

CIKM 2019

Introduction

• 作者提出了一种新的基于深度学习的方法来利用和整合短期用户偏好和相关的长期用户偏好来进行基于会话的推荐
• 不同的历史会话对当前会话中的短期用户偏好具有不同的影响，因此作者设计了一个两层的nonlocal operation架构，评估不同历史会话的不同重要性，从而考虑了用户在当前会话中真正需要什么
• 提出了一种新的方法来整合长期和短期用户偏好

Model

Long-term preference modeling

Nonlocal operation 实质上就是对比各个 historical session 与当前 session 之间的相似性，并通过 softmax 为不同相似性的 session 分配权重，加权求和。

Short-term preference modeling

Personalized integration

Dataset

• Tmall：从天猫收集的电子商务数据集，为六个月内424170个用户对1090390个项目的5000多万次交互。数据还包括操作类型和会话id。其中操作类型有：单击、收集、添加到购物车和购买。本论文只在实验中使用购买活动。
  下载Tmall数据集，请点击这里
• Gowalla：一个收集自“基于位置的社交网络Gowalla”的签到数据集，时间为2009年2月至2010年10月。此数据集中的签到总数为6442890。数据中的每条记录由用户id、时间戳、GPS位置和POI(Point of Interest) id组成。
  下载Gowalla数据集，请点击这里

Experiment