基于隐变量会话的推荐

基于会话的推荐为传统的特征工程推荐方法提供了一种有吸引力的替代方案。特征工程方法需要手工调整用户历史的特征以生成上下文向量。相比之下，基于会话的方法能够在用户行动时动态建模其状态。我们提出了一种用于基于会话推荐的概率框架。随着用户浏览更多物品并使我们更多地了解其兴趣，代表用户状态的隐变量被更新。该隐变量模型在概念上简洁而优雅；然而需要复杂的技术来近似对隐变量的积分。我们使用重参数化技巧以及用于 softmax 函数的 Bouchard 界给出了计算方案，并进一步探索采用变分自编码器与变分期望最大化算法来紧化变分界。该模型相对于多个基线表现良好。模型的直观性允许一种优雅的公式，将物品间的相关性与流行度结合起来，并阐明了其他流行的推荐方法。隐变量方法的一个吸引人的特征是，随着用户持续行动，关于用户状态的后验分布收紧，反映了推荐系统对该用户知识的增加。