从时序交互中学习动态嵌入

对用户与物品（如产品、帖子或课程）之间交互序列的建模在电子商务、社交网络和教育等领域对预测未来交互至关重要。表示学习为建模用户与物品属性的动态演化提供了有吸引力的方案，其中每个用户/物品可嵌入于欧氏空间，其演化可由嵌入的动态变化建模。然而，现有嵌入方法要么生成静态嵌入，要么独立对待用户与物品，要么不可扩展。此处我们提出 JODIE，一种耦合循环模型，用于从用户-物品交互序列中联合学习用户与物品的动态嵌入。JODIE 有三个组件。第一，更新组件利用两个相互递归的循环神经网络，从每次交互中使用用户与物品的先前嵌入来更新其嵌入。第二，训练一个新颖的投影组件以预测用户在任何未来时刻的嵌入。最后，预测组件直接预测未来交互中物品的嵌入。对于从交互序列学习的模型，由于复杂的用户-用户依赖关系，传统训练数据批处理无法完成。因此我们提出一种称为 t-Batch 的新颖批处理算法，其生成可并行运行的时间一致训练数据批次，带来大幅加速。我们使用四个真实世界数据集，在两项预测任务——未来交互预测与状态变化预测——上进行了六个实验。我们显示 JODIE 在这些任务上以高达 22.4% 的优势超越六种最先进算法。此外，我们显示 JODIE 高度可扩展，比可比模型快达 9.2 倍。作为附加实验，我们说明 JODIE 可提前五次交互预测学生从课程中退课。