未来数据辅助训练：为基于会话的推荐建模未来上下文
信息检索
2020-01-28 v4 机器学习
摘要
基于会话的推荐系统近来备受关注。为捕捉序列依赖性，现有方法要么采用数据增强技术，要么采用从左到右的自回归训练。由于这些方法旨在建模用户行为的序列性质，它们在为目标交互构建预测模型时忽略了该交互的未来数据。然而，我们认为，目标交互之后的未来交互（在训练期间同样可用）提供了关于用户偏好的有价值信号，可用于提升推荐质量。然而，恰当地将未来数据整合到模型训练中并非易事，因为它违背了机器学习原则，且容易导致数据泄露。为此，我们提出了一种名为基于填空的推荐器（GRec）的新型编码器-解码器框架，该框架通过填空机制训练编码器和解码器。具体而言，编码器将部分完成的会话序列（其中部分项目被有意掩码）作为输入，解码器则根据编码表示预测这些被掩码的项目。我们使用带有稀疏核的卷积神经网络实例化了通用的 GRec 框架，兼顾了准确性和效率。我们在两个覆盖短程、中程和长程用户会话的真实世界数据集上进行了实验，结果表明 GRec 显著优于最先进的序列推荐方法。更多实证研究验证了在我们的 GRec 框架下建模未来上下文的高实用性。
引用
@article{arxiv.1906.04473,
title = {Future Data Helps Training: Modeling Future Contexts for Session-based Recommendation},
author = {Fajie Yuan and Xiangnan He and Haochuan Jiang and Guibing Guo and Jian Xiong and Zhezhao Xu and Yilin Xiong},
journal= {arXiv preprint arXiv:1906.04473},
year = {2020}
}