M2：面向下一购物篮推荐的融合偏好、流行度与转移的混合模型
机器学习
2022-01-19 v4 信息检索
机器学习
摘要
下一购物篮推荐考虑的是将一组物品作为整体推荐到用户下一个购物篮中的问题。在本文中，我们为下一购物篮推荐开发了一种融合偏好、流行度与转移的新型混合模型（M2）。该方法对下一购物篮生成过程中的三个重要因素进行建模：1）用户的一般偏好，2）物品的全局流行度，3）物品间的转移模式。与现有的基于循环神经网络的方法不同，M2不使用复杂的网络来建模物品间的转移，也不为用户生成嵌入。相反，它采用了一种简单的基于编码器-解码器的方法（ed-Trans）来更好地建模物品间的转移模式。我们在4个公开基准数据集上，将M2及其不同因素的组合与5种state-of-the-art的下一购物篮推荐方法在推荐第一、第二和第三个购物篮的任务上进行了比较。我们的实验结果表明，M2在所有数据集的所有任务上均显著优于state-of-the-art方法，提升高达22.1%。此外，我们的消融实验表明，在推荐性能方面ed-Trans比循环神经网络更有效。我们还对下一购物篮推荐评估的各种实验方案和评估指标进行了深入讨论。
引用
@article{arxiv.2004.01646,
title = {M2: Mixed Models with Preferences, Popularities and Transitions for Next-Basket Recommendation},
author = {Bo Peng and Zhiyun Ren and Srinivasan Parthasarathy and Xia Ning},
journal= {arXiv preprint arXiv:2004.01646},
year = {2022}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering (TKDE)