基于候选排序嵌入的两阶段会话推荐方法
信息检索
2019-08-23 v1 机器学习
摘要
基于会话的推荐系统因其在提供高召回率的实时个性化推荐方面的潜力而备受关注，尤其是与传统方法如矩阵分解和基于物品的协同过滤相比。目前，最新的两种方法是基于会话推荐的短期注意力/记忆优先模型（STAMP）和神经注意力会话推荐模型（NARM）。然而，当这两种方法应用于Zalando的相似物品推荐数据集（Fashion-Similar）时，与简单的协同过滤方法相比，它们并不能直接取得良好效果。为了改进相似物品推荐，我们提出集中精力提升原始推荐中少数最相关物品的排序，通过利用注意力网络编码的用户会话信息来实现。当使用一种新颖的候选排序嵌入（Candidate Rank Embedding）在重排序过程中编码每个候选物品的全局排序信息时，该策略的有效性得到了证实。在Fashion-Similar数据集上的实验结果表明，在Recall@20和MRR@20指标上，该方法相较于基线有显著提升，同时在线测试中的点击率也有所提高。此外，从评估中需要指出的是，该方法在下次点击预测问题上也展现出潜力，因为当应用于STAMP和NARM时，它在两个公开的真实世界数据集上均提升了Recall@20和MRR@20。
引用
@article{arxiv.1908.08284,
title = {Two-Stage Session-based Recommendations with Candidate Rank Embeddings},
author = {José Antonio Sánchez Rodríguez and Jui-Chieh Wu and Mustafa Khandwawala},
journal= {arXiv preprint arXiv:1908.08284},
year = {2019}
}
备注
Accepted in the Fashion RECSYS workshop recsysXfashion'19, September 20, 2019, Copenhagen, Denmark