面向食品杂货推荐的变分贝叶斯上下文感知表示
信息检索
2019-10-30 v2 机器学习
摘要
食品杂货推荐是一个重要的推荐应用场景，旨在基于用户的购物历史预测其未来可能选择购买哪些商品。然而，现有方法仅将每个用户和商品表示为低维连续空间中的单个确定性点。此外，这些方法大多通过基于简单 Skip-gram 的公式最大化共现似然进行训练，这限制了其嵌入的表达能力及由此产生的推荐性能。在本文中，我们提出了用于食品杂货推荐的变分贝叶斯上下文感知表示（VBCAR）模型，这是一种新颖的变分贝叶斯模型，通过利用来自过去用户-商品交互的购物篮上下文信息来学习用户和商品的潜在向量。我们基于贝叶斯 Skip-gram 框架并结合 amortized 变分推断来训练 VBCAR 模型，使其能学习融合非线性与贝叶斯行为的更具表达力的潜在表示。在大型真实世界食品杂货推荐数据集上的实验表明，我们提出的 VBCAR 模型能显著优于现有的最先进食品杂货推荐方法。
引用
@article{arxiv.1909.07705,
title = {Variational Bayesian Context-aware Representation for Grocery Recommendation},
author = {Zaiqiao Meng and Richard McCreadie and Craig Macdonald and Iadh Ounis},
journal= {arXiv preprint arXiv:1909.07705},
year = {2019}
}
备注
Accepted for CARS 2.0 - Context-Aware Recommender Systems Workshop @ RecSys'19