短会话中的下一项推荐
信息检索
2021-07-21 v2
摘要
用户针对物品不断变化的偏好催生了基于会话的推荐系统（SBRSs），其旨在为下一项推荐建模用户的动态偏好。然而，现有关于SBRSs的研究大多仅基于长会话进行推荐，忽视了短会话；尽管事实上短会话在大多数真实数据集中占有很大比例。结果，现有SBRSs方案的适用性大幅降低。在短会话中，可用的上下文信息极为有限，使下一项推荐极具挑战。为此，本文受少样本学习（FSL）以有限样本有效学习模型的成功启发，将下一项推荐表述为FSL问题。相应地，遵循FSL代表性方法即元学习的基本思想，我们设计了一种高效的SBRS，称为INter-SEssion collaborative Recommender netTwork (INSERT)，用于短会话中的下一项推荐。借助精心设计的局部模块与全局模块，INSERT能够学习给定短会话中当前用户的最优偏好表示。特别地，在全局模块中，设计了相似会话检索网络（SSRN），分别从当前用户与其他用户的历史会话中找出与当前短会话相似的会话。所获得的相似会话随后被用于补充并优化由局部模块从当前短会话学到的偏好表示，从而在該短会话中实现更精准的下一项推荐。在两个真实数据集上开展的广泛实验表明，在进行短会话下一项推荐时，我们所提INSERT优于最先进的SBRSs。
引用
@article{arxiv.2107.07453,
title = {Next-item Recommendations in Short Sessions},
author = {Wenzhuo Song and Shoujin Wang and Yan Wang and Shengsheng Wang},
journal= {arXiv preprint arXiv:2107.07453},
year = {2021}
}
备注
This paper has been accepted by ACM RecSys'21