Make It a Chorus: Knowledge- and Time-aware Item Modeling for Sequential Recommendation sigir 20

介绍的博客
作者讲解

摘要

传统的推荐系统主要针对固有的、长期的用户偏好进行建模,而动态的用户需求也是非常重要的。通常,历史消费会影响用户对其关系项的需求。例如,用户倾向于一起购买互补产品(iPhone和AirPods),而不是替代产品(Powerbeats和AirPods),尽管替代购买的产品仍然迎合了他/她的偏好。为了更好地模拟历史序列的影响,以前的研究引入了项目关系的语义来捕捉用户的推荐需求。然而,我们认为,不同关系造成的影响的时间演化是不能忽视的。在上面的例子中,用户对耳机的需求可以在需要新耳机的较长时间后进行提升。为了在不同的序列上下文中对项目的动态含义进行建模,提出了一种综合考虑项目关系和相应的时间动态的Chorusis方法。Chorus的目标是以一种知识感知和时间感知的方式导出目标项的嵌入,其中每个项都将获得其基本表示和与关系相关的表示。然后,根据历史序列中是否存在关系项以及经过的时间,设计时态核函数来动态组合这些表示。增强的目标项嵌入可以灵活地与各种算法一起工作,以计算排名得分并生成推荐。根据在三个真实世界数据集上的广泛实验,Chorus与最先进的基线方法相比获得了显著的改进。此外,与时间相关的参数具有很高的可解释性,因此可以增强推荐的可解释性。

3

在众多的嵌入方法中,基于翻译的模型[3,25,43]以其效率和有效性脱颖而出。其内在思想是将项目和关系嵌入到相同的潜在空间中,并找到一个转换函数来最小化评分函数:

你可能感兴趣的:(机器学习)