面向序列推荐的稀疏兴趣网络
信息检索
2021-02-19 v1 机器学习
摘要
序列推荐中的近期方法侧重于从用户行为序列中学习一个整体嵌入向量以进行下一物品推荐。然而，通过实证分析我们发现，用户的行为序列通常包含多个概念上不同的物品，而统一嵌入向量主要受用户最近频繁动作的影响。因此，如果概念上相似的物品在近期交互中不占主导，则可能无法推断出下一个偏好的物品。为此，一种替代方案是用多个编码用户不同意图方面的嵌入向量来表示每个用户。然而，近期关于多兴趣嵌入的工作通常考虑通过聚类发现的少量概念，这可能无法与真实系统中大量的物品类别相比。有效建模大量不同的概念原型是一项重要任务，因为物品在细粒度上往往未在概念上良好聚类。此外，个体通常仅与稀疏的概念集合交互。鉴于此，我们提出了一种用于序列推荐的新型稀疏兴趣网络（SINE）。我们的稀疏兴趣模块能够从大型概念池中自适应地推断每个用户的稀疏概念集合，并相应地输出多个嵌入。给定多个兴趣嵌入，我们开发了兴趣聚合模块来主动预测用户的当前意图，然后利用它显式建模多个兴趣以进行下一物品预测。在多个公开基准数据集和一个大规模工业数据集上的实证结果表明，SINE 相比最先进的方法可实现显著改进。
引用
@article{arxiv.2102.09267,
title = {Sparse-Interest Network for Sequential Recommendation},
author = {Qiaoyu Tan and Jianwei Zhang and Jiangchao Yao and Ninghao Liu and Jingren Zhou and Hongxia Yang and Xia Hu},
journal= {arXiv preprint arXiv:2102.09267},
year = {2021}
}