当点过程遇见 RNNs:基于行为相互感染性的细粒度用户兴趣预测
机器学习
2017-10-24 v2 社会与信息网络
机器学习
摘要
预测具有时间行为的用户细粒度兴趣对个性化和信息过滤应用至关重要。然而,现有的兴趣预测方法无法捕捉用户对特定物品的微妙程度化兴趣,且个体内部随时间漂移的注意力尚未被研究。此外,预测过程也可能受到人际间影响(即行为相互感染性)的影响。受点过程在建模时间点过程中的启发,本文提出了一种基于两个循环神经网络(RNNs)的深度预测方法,以在用户间行为相互感染性的背景下,联合建模每个用户的连续浏览历史和异步事件序列。我们的模型能够预测用户对特定物品的细粒度兴趣以及事件发生时的对应时间戳。所提方法通过使用时间点过程对事件数据进行建模,并利用 RNNs 及时更新其强度函数,从而更灵活地捕捉事件序列的动态特征。此外,为了提高模型的可解释性,引入了注意力机制以强调随时间变化的人际内部与人际间行为影响。在真实数据集上的实验表明,我们的模型在细粒度用户兴趣预测方面优于现有方法(state-of-the-art)。
引用
@article{arxiv.1710.05135,
title = {When Point Process Meets RNNs: Predicting Fine-Grained User Interests with Mutual Behavioral Infectivity},
author = {Tong Chen and Lin Wu and Yang Wang and Jun Zhang and Hongxu Chen and Xue Li},
journal= {arXiv preprint arXiv:1710.05135},
year = {2017}
}
备注
Several existing references are missing and not discussed explicitly