基于语义建议的会话级k近邻下一物品预测
信息检索
2020-12-17 v1
摘要
电子商务领域最关键的问题之一是信息过载问题。通常，向用户提供的产品数量极为庞大。该领域的特性迫使研究者选择基于会话的推荐方法，其中基于最近邻的方法（SkNN）已被证明可与基于神经网络的模型竞争甚至优于后者。然而，现有的SkNN方法缺乏在微观层面（即单个会话期间）检测兴趣突变并据此调整推荐的能力。本文提出一种概念性（cSkNN）模型扩展，用于下一物品预测，通过语义层特性实现对兴趣变化的更好适应。我们利用NLP技术从产品标题中解析显著概念，以构建基于语言学的产品泛化表示，用于变化检测与推荐列表后过滤。我们使用两个版本的扩展进行了实验，二者在语义推导过程上有所不同，但均在稀疏时尚电商数据集上显示出相对于现有SkNN方法的改进。
引用
@article{arxiv.2012.08793,
title = {Session-based k-NNs with Semantic Suggestions for Next-item Prediction},
author = {Miroslav Rac and Michal Kompan and Maria Bielikova},
journal= {arXiv preprint arXiv:2012.08793},
year = {2020}
}
备注
11 pages, 3 figures, 3 tables, submitted to and presented at RecSys20 CARS workshop