时间加权注意力会话感知推荐系统
机器学习
2019-09-13 v1 信息检索
机器学习
摘要
基于会话的循环神经网络（RNN）因用户在最近会话中行为的高自相关性以及RNN捕获序列顺序信息的有效性，在推荐任务中日益受到青睐。然而，大多数现有基于会话的RNN推荐系统仍仅关注单一会话内的短期交互，并完全丢弃跨不同会话的所有其他长期数据。而传统协同过滤（CF）方法在探索长期依赖方面已有诸多先进研究工作，其在深度学习模型中具有值得探索与利用的重要价值。因此，本文提出ASARS，一种将CF中的时间动态方法有效引入深度学习基于会话的RNN系统的新框架，使得时间信息可通过并行注意力网络充当可扩展权重。具体而言，我们首先进行广泛的数据分析，以展示此类时间交互数据在会话内与跨会话的分布及重要性。随后，我们的ASARS框架提出了两种新模型：（1）捕获RNN推荐系统长期用户交互的会话间时间动态模型。我们将时间变化集成于会话RNN中，并加入用户偏好作为模型漂移；（2）一种新颖的三角并行注意力网络，通过融入时间信息增强原始RNN模型。该三角并行网络还专为在序列到标量RNN架构中实现数据增广而设计，故可高效训练。我们在来自不同领域的四个真实数据集上的大量实验证明了ASARS在个性化推荐上的有效性与大幅提升。
引用
@article{arxiv.1909.05414,
title = {Time-weighted Attentional Session-Aware Recommender System},
author = {Mei Wang and Weizhi Li and Yan Yan},
journal= {arXiv preprint arXiv:1909.05414},
year = {2019}
}