S-Walk：基于随机游走的准确且可扩展的会话推荐
信息检索
2022-01-05 v1
摘要
会话推荐（SR）根据匿名用户已消费的前序物品序列预测下一个物品。大多数现有 SR 模型仅关注建模会话内特征，而较少关注物品间的会话间关系，后者具有提升准确率的潜力。考虑到商业应用中的实际可行性，推荐系统的另一关键方面是计算效率与可扩展性。为兼顾准确率与可扩展性，我们提出了一种基于随机游走的新型会话推荐方法，即 S-Walk。具体而言，S-Walk 通过带重启随机游走（RWR）处理物品间的高阶关系，有效捕获会话内与会话间相关性。通过采用具有闭式解的线性模型处理构成 RWR 的转移矩阵和跳转矩阵，S-Walk 具有极高的效率与可扩展性。大量实验表明，S-Walk 在四个基准数据集的多种指标上取得了可比或最先进的性能。此外，S-Walk 学到的模型可在不损失准确率的前提下高度压缩，推理速度比现有基于 DNN 的模型快两个或更多数量级，使其适用于大规模商业系统。
引用
@article{arxiv.2201.01091,
title = {S-Walk: Accurate and Scalable Session-based Recommendationwith Random Walks},
author = {Minjin Choi and Jinhong Kim and Joonsek Lee and Hyunjung Shim and Jongwuk Lee},
journal= {arXiv preprint arXiv:2201.01091},
year = {2022}
}
备注
In Proceedings of the Fourteenth ACM Inter-national Conference on Web Search and Data Mining (WSDM) 2022. 11 pages