基于卷积序列嵌入的个性化 Top-N 序列推荐
信息检索
2018-09-21 v1 机器学习
摘要
Top- 序列推荐将每个用户建模为过去交互过的物品序列,旨在预测用户在“近期未来”可能交互的 Top- 排名物品。交互顺序意味着序列模式起着重要作用,其中序列中较近的物品对下一物品有更大影响。在本文中,我们提出一种卷积序列嵌入推荐模型(\emph{Caser})作为满足该需求的方案。其思想是将近期物品序列嵌入到时间和潜在空间中的一张“图像”中,并使用卷积滤波器将序列模式作为图像的局部特征来学习。该方法为捕捉通用偏好与序列模式提供了统一且灵活的网络结构。在公开数据集上的实验表明,Caser 在多种常用评价指标上持续优于最先进的序列推荐方法。
引用
@article{arxiv.1809.07426,
title = {Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding},
author = {Jiaxi Tang and Ke Wang},
journal= {arXiv preprint arXiv:1809.07426},
year = {2018}
}
备注
Accepted at WSDM 2018