面向增量式会话推荐的内存增强神经模型
机器学习
2020-05-05 v1 信息检索
机器学习
摘要
对隐私日益增长的关注激发了人们对基于会话的推荐（SR）的兴趣，该方法仅使用当前浏览器会话中观察到的数据，不涉及其他个人数据。现有方法在静态设置下进行评估，这在现实应用中很少出现。为了更好地应对SR任务的动态特性，我们研究了一种增量式SR场景，其中新物品和偏好不断出现。我们证明，现有的神经推荐器可通过小的增量更新用于增量式SR场景，以减轻计算开销和灾难性遗忘。更重要的是，我们提出了一个通用框架，称为内存增强神经模型（MAN）。MAN通过一个持续查询和更新的非参数内存来增强基础神经推荐器，并通过另一个轻量级门控网络将神经组件和内存组件的预测结合起来。我们通过实验证明，MAN非常适合增量式SR任务，并始终优于最先进的神经和非参数方法。我们分析了结果，并证明它特别擅长增量式学习对新物品和不常见物品的偏好。
引用
@article{arxiv.2005.01573,
title = {Memory Augmented Neural Model for Incremental Session-based Recommendation},
author = {Fei Mi and Boi Faltings},
journal= {arXiv preprint arXiv:2005.01573},
year = {2020}
}
备注
Accepted as a full paper at IJCAI 2020