基于层次注意力事务嵌入联合建模事务内与事务间依赖的下一物品推荐
信息检索
2020-06-09 v1 机器学习
摘要
基于事务的推荐系统（TBRS）旨在通过建模事务数据中的依赖关系来预测下一物品。通常考虑两类依赖：事务内依赖与事务间依赖。现有多数 TBRS 仅通过建模当前事务内的事务内依赖来推荐下一物品，而忽略了可能与下一物品也相关的近期事务间依赖。然而，由于并非所有近期事务都与当前及下一物品相关，应识别并优先处理相关者。本文提出一种新颖的层次注意力事务嵌入（HATE）模型以解决上述问题。具体而言，一个两级注意力机制融合物品嵌入与事务嵌入，构建融合事务内与事务间依赖的注意力上下文表示。借助所学上下文表示，HATE 进而推荐下一物品。在两个真实世界事务数据集上的实验评估表明，HATE 在推荐准确率上显著优于 SOTA 方法。
引用
@article{arxiv.2006.04530,
title = {Jointly Modeling Intra- and Inter-transaction Dependencies with Hierarchical Attentive Transaction Embeddings for Next-item Recommendation},
author = {Shoujin Wang and Longbing Cao and Liang Hu and Shlomo Berkovsky and Xiaoshui Huang and Lin Xiao and Wenpeng Lu},
journal= {arXiv preprint arXiv:2006.04530},
year = {2020}
}
备注
Accepted by IEEE Intelligent Systems