基于循环对数双线性模型的多行为序列预测
信息检索
2017-01-30 v4
摘要
随着互联网应用的快速增长，协同过滤中的序列预测已成为一项新兴且关键的任务。给定特定用户的行为历史，预测其下一步选择对于改进各种在线服务起着关键作用。同时，具有多种行为类型的场景越来越多，而现有工作主要研究单一行为类型的序列。作为一种广泛使用的方法，基于马尔可夫链的模型建立在强独立性假设之上。作为两种用于序列建模的经典神经网络方法，循环神经网络不能很好地建模短期上下文，而对数双线性模型不适用于长期上下文。在本文中，我们提出了一种循环对数双线性（RLBL）模型。它可以通过行为特定的转移矩阵对历史序列中的多种行为类型进行建模。RLBL 应用循环结构来建模长期上下文。它在每个隐藏层中建模若干项目，并采用位置特定的转移矩阵来建模短期上下文。此外，考虑到行为历史中的连续时间差是动态预测的关键因素，我们进一步扩展了 RLBL，用时间特定的转移矩阵替换位置特定的转移矩阵，并相应地提出了时间感知循环对数双线性（TA-RLBL）模型。实验结果表明，所提出的 RLBL 模型和 TA-RLBL 模型在三个数据集（即 Movielens-1M 数据集、全球恐怖主义数据库和具有不同行为类型数量的天猫数据集）上，相较于对比的竞争方法均取得了显著的改进。
引用
@article{arxiv.1608.07102,
title = {Multi-behavioral Sequential Prediction with Recurrent Log-bilinear Model},
author = {Qiang Liu and Shu Wu and Liang Wang},
journal= {arXiv preprint arXiv:1608.07102},
year = {2017}
}
备注
IEEE Transactions on Knowledge and Data Engineering (TKDE), to appear