有效利用长会话与短会话的多会话推荐
信息检索
2022-05-10 v1
摘要
仅基于单个当前会话进行推荐并不准确。因此，多会话推荐（MSBR）是针对该问题的一种解决方案。相较于以往的 MSBR 模型，我们在本文中做了三处改进。第一，以往工作选择使用该用户及其相似用户的所有历史会话。当用户当前兴趣与过去相比变化很大时，这些会话大多只会产生负面影响。因此，我们从数据集中选取大量随机选择的会话作为候选会话，以避免对历史数据的过度依赖。随后我们仅选取最相似的会话以获取最有用的信息，同时减少不相似会话带来的噪声。第二，在真实数据集中，短会话占很大比例。以往工作常用的 RNN 不适合处理短会话，因为 RNN 仅关注序列关系，而我们发现序列关系并非短会话中物品之间的唯一关系。为此，我们设计了基于注意力的更合适的方法 GAFE 来处理短会话。第三，尽管长会话很少，但不可忽略。与以往以处理短会话相同方式简单处理长会话的模型不同，我们提出 LSIS，其能拆分长会话的兴趣以更好地利用长会话。最后，为辅助推荐，我们还考虑了由多层 GRU 捕获的用户长期兴趣。综合上述四点，我们构建了模型 ENIREC。在两个真实数据集上的实验表明，ENIREC 的综合性能优于其他现有模型。
引用
@article{arxiv.2205.04366,
title = {Effectively Using Long and Short Sessions for Multi-Session-based Recommendations},
author = {Zihan Wang and Gang Wu and Yan Wang},
journal= {arXiv preprint arXiv:2205.04366},
year = {2022}
}