面向下一篮推荐的场景感知物品表示预训练
信息检索
2019-04-30 v1 机器学习
机器学习
摘要
下一篮推荐旨在根据用户的历史交易预测其最可能购买的接下来若干物品，在购物篮分析中起着至关重要的作用。从物品的角度看，一个物品可能由于不同原因与不同物品被不同用户购买。因此，理想的推荐系统应在考虑交易上下文的情况下表示物品。现有的最先进深度学习方法通常采用静态物品表示，其在所有交易中保持不变，因而无法发挥深度学习的全部潜力。受自然语言处理中BERT预训练表示的启发，我们提出为下一篮推荐进行场景感知物品表示，称为Item Encoder Representations from Transformers（IERT）。在离线阶段，IERT基于交易上下文预训练深度物品表示。在线推荐阶段，预训练模型通过附加输出层进一步微调。输出的上下文物品嵌入用于捕捉用户的序列行为和总体偏好以进行推荐。在Ta-Feng数据集上的实验结果表明，IERT优于最先进的基线方法，证明了IERT在下一篮表示中的有效性。
引用
@article{arxiv.1904.12604,
title = {Pre-training of Context-aware Item Representation for Next Basket Recommendation},
author = {Jingxuan Yang and Jun Xu and Jianzhuo Tong and Sheng Gao and Jun Guo and Jirong Wen},
journal= {arXiv preprint arXiv:1904.12604},
year = {2019}
}