级联：关联增强的序列推荐
信息检索
2019-10-18 v1
摘要
近年来，基于序列用户行为的推荐在许多应用场景中展现出良好的效果。一般而言，现实世界中的序列用户行为通常反映了序列影响与关联关系的混合。然而，大多数现有的序列推荐方法主要关注序列关系，而忽略了关联关系。在本文中，我们提出了一种统一的方法，将物品关联与序列关系相结合用于序列推荐。具体而言，我们将物品关联编码为物品共现图中的关系，并通过图卷积网络（GCN）进行图嵌入来挖掘这些关系。同时，我们通过一种广泛使用的基于循环神经网络（RNN）的序列推荐方法 GRU4Rec 对序列关系进行建模。这两部分以级联方式连接成一个端到端网络，这保证了物品关联和序列关系的表示能够同时学习，并使学习过程保持低复杂度。我们在三个广泛使用的真实世界数据集上进行了大量实验：淘宝、Amazon Instant Video 和 Amazon Cell Phone and Accessories。全面的结果表明，所提出的方法优于若干最先进的方法。此外，我们还提供了定性分析，以促进对序列推荐中关联关系的更好理解，并说明性能提升确实源于物品关联。
引用
@article{arxiv.1910.07792,
title = {Cascading: Association Augmented Sequential Recommendation},
author = {Xu Chen and Kenan Cui and Ya Zhang and Yanfeng Wang},
journal= {arXiv preprint arXiv:1910.07792},
year = {2019}
}
备注
29 pages,13 figures