CIKM 2019
Introduction
- 作者提出了一種新的基于深度學習的方法來利用和整合短期用戶偏好和相關(guān)的長期用戶偏好來進行基于會話的推薦
- 不同的歷史會話對當前會話中的短期用戶偏好具有不同的影響痕鳍，因此作者設(shè)計了一個兩層的nonlocal operation架構(gòu)喊递，評估不同歷史會話的不同重要性白热，從而考慮了用戶在當前會話中真正需要什么
- 提出了一種新的方法來整合長期和短期用戶偏好
Model
Long-term preference modeling
Nonlocal operation 實質(zhì)上就是對比各個 historical session 與當前 session 之間的相似性客蹋，并通過 softmax 為不同相似性的 session 分配權(quán)重，加權(quán)求和匹表。
Short-term preference modeling
Personalized integration
Dataset
- Tmall：從天貓收集的電子商務數(shù)據(jù)集门坷，為六個月內(nèi)424170個用戶對1090390個項目的5000多萬次交互。數(shù)據(jù)還包括操作類型和會話id袍镀。其中操作類型有：單擊默蚌、收集、添加到購物車和購買苇羡。本論文只在實驗中使用購買活動绸吸。
下載Tmall數(shù)據(jù)集，請點擊這里 - Gowalla：一個收集自“基于位置的社交網(wǎng)絡Gowalla”的簽到數(shù)據(jù)集设江，時間為2009年2月至2010年10月锦茁。此數(shù)據(jù)集中的簽到總數(shù)為6442890。數(shù)據(jù)中的每條記錄由用戶id叉存、時間戳码俩、GPS位置和POI(Point of Interest) id組成。
下載Gowalla數(shù)據(jù)集歼捏，請點擊這里
Experiment
