面向个性化序列推荐的序列间增强框架
信息检索
2020-04-30 v2
摘要
对用户历史交互的序列相关性进行建模在序列推荐中至关重要。然而，多数方法主要聚焦于对每个独立序列内部的\emph{序列内}物品相关性建模，却忽视了跨不同用户交互序列的\emph{序列间}物品相关性。尽管若干研究已意识到该问题，其方法或过于简单或较为隐式。为更好地利用此类信息，我们提出一种用于序列推荐的序列间增强框架（ISSR）。在 ISSR 中，序列间与序列内物品相关性均被考虑。首先，我们在序列间相关性编码器中配备图神经网络，以从用户-物品二部图与物品-物品图中捕获高阶物品相关性。然后，基于序列间相关性编码器，我们在序列内相关性编码器中构建 GRU 网络与注意力网络，以对每个独立序列内的物品序列相关性及时间动态建模，从而预测用户对候选物品的偏好。此外，我们在三个真实数据集上进行了充分实验。实验结果表明 ISSR 优于许多最先进方法，且序列间相关性编码器有效。
引用
@article{arxiv.2004.12118,
title = {Inter-sequence Enhanced Framework for Personalized Sequential Recommendation},
author = {Feng Liu and Weiwen Liu and Xutao Li and Yunming Ye},
journal= {arXiv preprint arXiv:2004.12118},
year = {2020}
}