基于并行注意力建模长短期兴趣的会话推荐
信息检索
2020-07-27 v2 机器学习
摘要
会话推荐的目标是预测用户下一次点击的物品，由于用户行为固有的不确定性和匿名的隐式反馈信息，这是一项具有挑战性的任务。一个强大的会话推荐系统通常能够挖掘用户不断演化的兴趣（即其长期与短期兴趣的组合）。注意力机制的最新进展已催生解决该任务的最优方法。然而，存在两个主要缺陷。首先，大多数基于注意力的方法仅简单地利用最后一次点击物品来表示用户的短期兴趣，忽略了时间信息和行为上下文，这可能无法全面捕捉用户近期偏好。其次，当前研究通常将长期与短期兴趣视为同等重要，但它们的重要性应是用户特定的。因此，我们提出一种新颖的并行注意力网络模型（PAN）用于会话推荐。具体而言，我们提出一种新颖的时间感知注意力机制，通过同时考虑上下文信息和时间信号来学习用户的短期兴趣。此外，我们引入一种门控融合方法，自适应地整合用户的长期与短期偏好以生成混合兴趣表示。在三个真实世界数据集上的实验表明，PAN 相比最优方法取得了明显提升。
引用
@article{arxiv.2006.15346,
title = {Modeling Long-Term and Short-Term Interests with Parallel Attentions for Session-based Recommendation},
author = {Jing Zhu and Yanan Xu and Yanmin Zhu},
journal= {arXiv preprint arXiv:2006.15346},
year = {2020}
}