上下文感知序列推荐
信息检索
2016-09-20 v1 人工智能
摘要
由于序列信息在建模用户行为中起着重要作用，已有多种序列推荐方法被提出。基于马尔可夫假设的方法被广泛使用，但它们独立地结合了最近的几个组件。最近，基于循环神经网络（RNN）的方法已成功应用于多个序列建模任务。然而，对于实际应用，这些方法在建模上下文信息方面存在困难，而已证明上下文信息对行为建模非常重要。在本文中，我们提出了一种名为上下文感知循环神经网络（CA-RNN）的新模型。CA-RNN 不使用传统 RNN 模型中的常数输入矩阵和转移矩阵，而是采用自适应的特定上下文输入矩阵和自适应的特定上下文转移矩阵。自适应的特定上下文输入矩阵捕获用户行为发生时的外部情境，如时间、位置、天气等。自适应的特定上下文转移矩阵则捕获历史序列中相邻行为之间的时间间隔长度如何影响全局序列特征的转移。实验结果表明，所提出的 CA-RNN 模型在两个公开数据集，即 Taobao 数据集和 Movielens-1M 数据集上，相较于 state-of-the-art 的序列推荐方法和上下文感知推荐方法均取得了显著提升。
引用
@article{arxiv.1609.05787,
title = {Context-aware Sequential Recommendation},
author = {Qiang Liu and Shu Wu and Diyi Wang and Zhaokang Li and Liang Wang},
journal= {arXiv preprint arXiv:1609.05787},
year = {2016}
}
备注
IEEE International Conference on Data Mining (ICDM) 2016, to apear