用于自适应基于会话推荐的上下文树

近年来，由于在许多实际推荐应用中往往不存在长期用户画像，基于会话的推荐任务从实践和研究的视角都引起了日益增长的兴趣。在这种情况下，需要基于匿名短会话中的模式来生成用户即刻下一步动作的推荐。一个常被忽视的方面是，在许多领域（如新闻和讨论论坛）中，观测有限的新物品持续到达。因此，推荐需要对这种频繁变化具有自适应性。本文中，我们将一种称为上下文树（CT）的新非参数方法与各种最先进的方法在大量基于会话推荐任务的数据集上进行基准比较。除了先前文献采用的的标准静态评估协议外，我们还包括一种自适应配置以模拟观测有限的新物品持续到达的情形。我们的结果表明，在大多数测试配置和数据集上，CT 优于两种表现最佳的方法（循环神经网络；基于启发式的近邻）。我们分析了其原因，并证明这是因为其对领域变化的更好适应，以及学习静态序列模式的显著能力。此外，我们的运行时间分析说明了使用 CT 与其他非参数方法一样的效率。