用于时序集合预测的全局-局部物品嵌入
机器学习
2021-09-07 v1 信息检索
摘要
时序集合预测正变得愈发重要，因为许多公司在在线业务中部署推荐系统，例如购物篮的个性化购买预测。尽管以往多数技术聚焦于利用用户自身历史，将用户历史与他人历史结合的研究仍具未开发潜力。本文提出全局-局部物品嵌入（GLOIE），通过学习在全体用户间及用户内部的集合时序特性（分别命名为全局与局部信息以区分两种时序模式）来加以利用。GLOIE 使用变分自编码器（VAE）与基于动态图的模型来捕获全局与局部信息，随后应用注意力机制整合所得物品嵌入。此外，我们提议 VAE 的解码器采用 Tweedie 输出，因其可轻松建模零膨胀与长尾分布，比高斯或多项分布等对应形式更契合若干真实数据分布。在三个公开基准上评估时，我们的算法在多数排序指标上持续优于以往最优方法。
引用
@article{arxiv.2109.02074,
title = {Global-Local Item Embedding for Temporal Set Prediction},
author = {Seungjae Jung and Young-Jin Park and Jisu Jeong and Kyung-Min Kim and Hiun Kim and Minkyu Kim and Hanock Kwak},
journal= {arXiv preprint arXiv:2109.02074},
year = {2021}
}
备注
8 pages, 3 figures. To appear in RecSys 2021 LBR