用于基于会话推荐的循环潜变量网络
信息检索
2017-06-14 v1 机器学习
机器学习
摘要
在本工作中，我们试图在基于会话推荐的背景下缓解数据稀疏性的影响。具体而言，我们寻求设计一种机器学习机制，能够提取观测会话数据中微妙且复杂的潜在时间动态，从而为推荐算法提供信息。为此，我们改进了利用带有循环连接单元的深度学习技术的系统；我们通过采用贝叶斯统计领域的概念，即变分推断来实现这一点。我们提出的方法将网络循环单元视为随机潜变量，并对其施加先验分布。在此基础上，我们推断相应的后验；这些后验可用于预测和生成推荐，其方式考虑了可用稀疏训练数据中的不确定性。为了使我们的方法能够轻松扩展到大型真实世界数据集，我们在近似摊销变分推断（AVI）框架下执行推断，其中学习到的后验通过（传统）神经网络进行参数化。我们使用具有挑战性的基准数据集对我们的方法进行了广泛的实验评估，并展示了其相对于现有 SOTA 技术的优越性。
引用
@article{arxiv.1706.04026,
title = {Recurrent Latent Variable Networks for Session-Based Recommendation},
author = {Sotirios Chatzis and Panayiotis Christodoulou and Andreas S. Andreou},
journal= {arXiv preprint arXiv:1706.04026},
year = {2017}
}