用于下一物品推荐的多尺度准循环神经网络
信息检索
2019-02-27 v1 机器学习
神经与进化计算
摘要
如何更好地利用序列信息在推荐系统设置中已被广泛研究。为此,诸如马尔可夫链、循环模型、卷积网络等诸多架构归纳偏置已在该任务上展现出合理的成功。本文提出一种新的神经架构,用于下一物品推荐(QR-Rec)任务的多尺度 Quasi-RNN。我们的模型通过利用多尺度卷积特征作为循环单元的组合门函数,提供了两全其美的方案。该模型以多尺度方式实现,即实现不同宽度的卷积滤波器以捕获影响组合编码器的输入序列的不同联合级特征。关键思想旨在捕获不同类局部特征之间的循环关系,这在推荐背景下此前从未被研究过。通过大量实验,我们证明我们的模型在 15 个公认的数据集上取得了最先进的性能,在 MAP、Recall@10 和 NDCG@10 指标上绝对优于 FPMC、Fossil 和 Caser 等强竞争者 0.57%-7.16%,相对优于 1.44%-17.65%。
引用
@article{arxiv.1902.09849,
title = {Multi-Scale Quasi-RNN for Next Item Recommendation},
author = {Chaoyue He and Yong Liu and Qingyu Guo and Chunyan Miao},
journal= {arXiv preprint arXiv:1902.09849},
year = {2019}
}
备注
7 pages, 2 figures, 6 tables