基于循环神经网络的会话序列建模用于跳过预测
信息检索
2019-04-24 v1 机器学习
摘要
推荐系统在音乐流媒体服务中扮演着重要角色，尤以个性化播放列表为典型形式。探索这些收听会话中的用户交互，有助于理解用户在单次会话情境下的偏好。在“Spotify序列跳过预测挑战赛”（WSDM与Spotify联合举办）中，主办方呼吁人们理解用户与音乐的顺序交互方式。我们在本文中描述了我们的解决方案思路，并给出了进一步改进模型的建议。所提模型首先生成会话的固定向量表示，并将这一附加信息融入编码器-解码器风格的架构中。该方法在竞赛中取得第七名的成绩，在测试集上的平均准确率为0.604。解决方案代码见 https://github.com/sainathadapa/spotify-sequential-skip-prediction。
引用
@article{arxiv.1904.10273,
title = {Sequential modeling of Sessions using Recurrent Neural Networks for Skip Prediction},
author = {Sainath Adapa},
journal= {arXiv preprint arXiv:1904.10273},
year = {2019}
}
备注
4 pages