面向下一物品推荐的长短期需求感知模型
信息检索
2019-03-04 v1 机器学习
机器学习
摘要
推荐合适的产品是推荐系统的核心问题，但合适的产品也应在合适的时间被推荐以满足用户需求，从而最大化其价值。用户需求隐含强烈的购买意图，若能被充分利用，则是促进产品销售最有用的途径。以往的推荐模型主要关注用户的一般兴趣以寻找合适的产品，然而在合适时间满足用户需求这一方面却鲜有探索。为解决该问题，我们提出了一种新颖的长短期需求感知模型（LSDM），其中同时融入了用户对物品的偏好以及用户随时间变化的需求。我们归纳出两方面：称为长期需求（例如重复购买同一产品表现出长期持久兴趣）和短期需求（例如购买颜料后顺带购买画笔之类的共同购买行为）。为利用此类用户的长短期需求，我们依据不同时间跨度创建不同簇将连续的产品购买行为归组在一起，并使用循环神经网络在每个时间尺度上对各簇序列建模。最终通过联合学习策略聚合多时间尺度的长短期购买需求。在三个真实世界商业数据集上的实验结果证明了我们的模型在下一物品推荐上的有效性，显示了以多时间尺度对用户物品长短期购买需求建模的实用性。
引用
@article{arxiv.1903.00066,
title = {A Long-Short Demands-Aware Model for Next-Item Recommendation},
author = {Ting Bai and Pan Du and Wayne Xin Zhao and Ji-Rong Wen and Jian-Yun Nie},
journal= {arXiv preprint arXiv:1903.00066},
year = {2019}
}