超越下一物品推荐：推荐并评估序列列表
信息检索
2020-09-01 v1
摘要
推荐系统（RS）基于估计的用户偏好推荐物品。近期的RS方法利用向量空间嵌入与深度学习方法进行高效推荐。然而，此类方法大多忽略序列性特征，将每次交互（如签到）视为相互独立。所提方法考虑用户与物品交互的序列性，并利用其推荐多物品序列的列表。该方法使用自然语言处理（NLP）中知名的技术FastText \cite{bojanowski2016enriching}来建模序列子单元（如曲目、播放列表）间的关系，并将训练得到的表示作为传统推荐方法的输入。所推荐的多物品序列列表通过ROUGE \cite{lin2003automatic,lin2004rouge}度量进行评估，该度量也常用于NLP文献。当前实验结果表明，除传统的下一物品推荐外，推荐多物品序列列表是可行的。此外，利用输入序列子单元的FastText有助于克服冷启动用户问题。
引用
@article{arxiv.2008.13281,
title = {Beyond Next Item Recommendation: Recommending and Evaluating List of Sequences},
author = {Makbule Gulcin Ozsoy},
journal= {arXiv preprint arXiv:2008.13281},
year = {2020}
}