将用户微行为与物品知识融入多任务学习用于基于会话的推荐
信息检索
2020-06-19 v1 机器学习
摘要
基于会话的推荐（SR）已成为各类电子商务平台中重要且流行的组成部分，其旨在根据给定会话预测下一个交互物品。现有大多数 SR 模型仅关注利用某用户在一个会话中连续交互的物品，以捕捉物品间的转移模式。尽管其中一些已被证明有效，但以下两点洞察常被忽视。第一，用户的微行为，例如用户定位某物品的方式、用户对物品所进行的活动（如阅读评论、加入购物车），提供了对用户偏好的细粒度与深层理解。第二，物品属性（亦称物品知识）提供了辅助信息以建模交互物品间的转移模式并缓解数据稀疏问题。这些洞察促使我们在本文中提出一种新颖的 SR 模型 MKM-SR，其将用户微行为（Micro-behaviors）与物品知识（Knowledge）融入多任务学习（Multi-task learning）用于基于会话的推荐（Session-based Recommendation）。具体而言，MKM-SR 在微行为层面对给定会话建模，即使用物品-操作对序列而非物品序列，以充分捕捉会话中的转移模式。此外，我们提出一种多任务学习范式来学习知识嵌入，其作为辅助任务促进 SR 主任务。它使我们的模型获得更好的会话表示，从而得到更精确的 SR 推荐结果。在两个基准数据集上的广泛评估证明了 MKM-SR 优于最先进的 SR 模型，印证了融入知识学习的策略。
引用
@article{arxiv.2006.06922,
title = {Incorporating User Micro-behaviors and Item Knowledge into Multi-task Learning for Session-based Recommendation},
author = {Wenjing Meng and Deqing Yang and Yanghua Xiao},
journal= {arXiv preprint arXiv:2006.06922},
year = {2020}
}