建模动态属性用于下一篮子推荐
人工智能
2021-09-27 v1 信息检索
摘要
传统的下一物品和下一篮子推荐方法通常基于用户过去的交互及相关的静态上下文信息（例如用户 id 或物品类别）来提取用户兴趣。然而，提取的兴趣可能不准确并会变得过时。动态属性，例如用户收入变化、物品价格变化（等），随时间改变。此类动态可以内在地反映用户兴趣的演化。我们认为对这类动态属性建模可以提升推荐性能。然而，将它们恰当地整合进用户兴趣模型是具有挑战性的，因为属性动态可能是多样的，例如感知时间间隔的、周期性的模式（等），并且它们从不同角度表示用户行为，这可能以与交互异步的方式发生。除动态属性外，每个篮子中的物品包含复杂的相互依赖关系，这可能有益但难以有效捕捉。为应对这些挑战，我们提出了一种新颖的注意力网络来建模动态属性（称为 AnDa）。AnDa 分别编码动态属性和篮子物品序列。我们设计了一个周期感知编码器，使模型能够从动态属性中捕捉各种时间模式。为有效学习有用的物品关系，提出了篮内注意力模块。在三个真实世界数据集上的实验结果证明我们的方法持续优于最先进水平（SOTA）。
引用
@article{arxiv.2109.11654,
title = {Modeling Dynamic Attributes for Next Basket Recommendation},
author = {Yongjun Chen and Jia Li and Chenghao Liu and Chenxi Li and Markus Anderle and Julian McAuley and Caiming Xiong},
journal= {arXiv preprint arXiv:2109.11654},
year = {2021}
}