预测时序交互网络中动态嵌入轨迹
社会与信息网络
2019-08-06 v1 计算机与社会
机器学习
摘要
对用户与物品/产品之间顺序交互的建模在电子商务、社交网络和教育等领域至关重要。表示学习为建模用户和物品的动态演化提供了一个有吸引力的机会，其中每个用户/物品可被嵌入到欧几里得空间中，其演化可由该空间中的嵌入轨迹来建模。然而，现有的动态嵌入方法仅在用户采取动作时生成嵌入，并未显式建模用户/物品在嵌入空间中的未来轨迹。在此我们提出 JODIE，一种耦合循环神经网络模型，用于学习用户和物品的嵌入轨迹。JODIE 采用两个循环神经网络在每次交互时更新用户和物品的嵌入。关键在于，JODIE 还建模了用户/物品的未来嵌入轨迹。为此，它引入了一种新颖的投影算子，可学习估计用户在任意未来时刻的嵌入。这些估计的嵌入随后被用于预测未来的用户-物品交互。为使方法可扩展，我们开发了 t-Batch 算法，该算法创建时间一致的批次并使训练速度提升 9 倍。我们进行了六项实验，使用四个真实世界数据集在两项预测任务——未来交互预测和状态变化预测——上验证 JODIE。我们表明，在这些任务中，JODIE 相较六种最先进算法（SOTA）在未来交互预测上至少提升 20%，在状态变化预测上提升 12%。
引用
@article{arxiv.1908.01207,
title = {Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks},
author = {Srijan Kumar and Xikun Zhang and Jure Leskovec},
journal= {arXiv preprint arXiv:1908.01207},
year = {2019}
}
备注
ACM SIGKDD 2019 research track oral paper. The code and datasets are available on the project website: https://github.com/srijankr/jodie/ arXiv admin note: substantial text overlap with arXiv:1812.02289