会话推荐匹配中的矩阵嵌入方法
机器学习
2019-08-28 v1 信息检索
摘要
基于会话的模型广泛用于推荐系统。其将用户点击序列作为循环神经网络（RNN）的输入，取RNN网络的输出作为会话的向量嵌入，并将会话向量嵌入与下一项的向量嵌入的内积作为评分，即对该下一项兴趣的度量。该方法借助KD-Tree或Ball-Tree等索引方法，可用于物品数量巨大的推荐系统的“匹配”阶段。但该方法忽视了用户在一个会话中兴趣的多样性。我们改进模型，将会话的向量嵌入修改为对称矩阵嵌入，其等价于物品向量空间上的二次型。评分构建为该下一项向量嵌入在此二次型下的值。对称矩阵嵌入对应于正特征值的特征向量被推测代表用户在会话中的兴趣。该方法同样可用于“匹配”阶段。实验表明，该方法优于向量嵌入方法。
引用
@article{arxiv.1908.10180,
title = {Matrix embedding method in match for session-based recommendation},
author = {Qizhi Zhang and Yi Lin and Kangle Wu and Yongliang Li and Anxiang Zeng},
journal= {arXiv preprint arXiv:1908.10180},
year = {2019}
}