以增量式多兴趣注意力重新审视终身序列推荐
信息检索
2021-06-01 v1
摘要
序列推荐在展示广告和在线购物等众多电子商务服务中发挥着日益重要的作用。随着过去二十年这些服务的快速发展,用户已积累了海量行为数据。更丰富的序列行为数据已被证明对序列推荐具有重大价值。然而,传统序列模型无法处理用户的终身序列,因为其线性的计算与存储成本阻碍了在线推理。近来,借鉴 NLP 中记忆网络思想的终身序列建模方法被提出以应对该问题。但是,基于 RNN 构建的记忆网络本质上难以捕捉长期依赖,并可能在极长行为序列上被噪声淹没。此外,随着用户行为序列变长,其中会展现出更多兴趣。因此,对多样化用户兴趣进行建模与捕捉至关重要。为解决这些问题,我们提出一种新颖的基于终身增量式多兴趣自注意力的序列推荐模型,即 LimaRec。我们所提方法得益于精心设计的自注意力,从不同兴趣的用户行为序列中识别相关信息。与基于记忆网络的方法类似,它仍能为在线推理增量式更新用户表征。我们在四个真实世界数据集上广泛评估了该方法,并展示了其相对于最先进基线的优越性能。
引用
@article{arxiv.2105.14060,
title = {Rethinking Lifelong Sequential Recommendation with Incremental Multi-Interest Attention},
author = {Yongji Wu and Lu Yin and Defu Lian and Mingyang Yin and Neil Zhenqiang Gong and Jingren Zhou and Hongxia Yang},
journal= {arXiv preprint arXiv:2105.14060},
year = {2021}
}
备注
11 pages