1到踏、問(wèn)題背景
????作者argue以前的方法沒(méi)有考慮到用戶偏好的動(dòng)態(tài)變化萨咳，因此作者提出了一個(gè)名為Dynamic Explainable Recommender (called DER）的模型利用a time-aware gated recurrent unit (GRU)的結(jié)構(gòu)去動(dòng)態(tài)的捕捉用戶偏好的動(dòng)態(tài)變化缚陷。
2祥国、模型定義
作者首先根據(jù)數(shù)據(jù)繪制了一張用戶歷史topic變化圖，用以說(shuō)明用戶偏好的動(dòng)態(tài)變化
然后給出了task的定義：
3碳抄、模型結(jié)構(gòu)
GRU結(jié)構(gòu)：
CNN用來(lái)編碼item的所有評(píng)論愉老，最后形成多個(gè)低維向量，user經(jīng)過(guò)GRU會(huì)輸出一個(gè)用戶偏好表示纳鼎，根據(jù)注意力機(jī)制俺夕，用戶可能會(huì)對(duì)item的不同屬性有不一樣的注意力，因此對(duì)CNN編碼形成的多個(gè)向量贱鄙，進(jìn)行加權(quán)平均
考慮時(shí)間間隔的影響劝贸，即如果前一個(gè)item的時(shí)間戳和現(xiàn)在要預(yù)測(cè)的item時(shí)間戳相差很小，我們就假設(shè)用戶偏好基本不會(huì)變化逗宁，如果時(shí)間相差比較大映九，那么就認(rèn)為用戶偏好變化比較大。
而單純的GRU不能處理這種有時(shí)間間隔的序列瞎颗，因此我們對(duì)GRU進(jìn)行改進(jìn)件甥。我們引進(jìn)一個(gè)time gate?.
,這里
是前后兩次交互的時(shí)間差
這些公式考慮了gs大小的影響捌议，即gs比較大的時(shí)候，當(dāng)前信息比較重要引有，gs校的時(shí)候瓣颅，過(guò)去信息比較重要
為了更好的利用用戶資料，GRU的輸入不僅包括交互的item ID,而且還包含相關(guān)的評(píng)分和評(píng)論譬正，如圖
對(duì)于item的表示宫补，我們采用CNN的方式，利用所有的評(píng)論信息和注意力機(jī)制曾我，每一個(gè)句子經(jīng)過(guò)CNN變?yōu)橐粋€(gè)低維向量粉怕。
然后利用注意力機(jī)制將這些向量結(jié)合起來(lái)，這里主要是考慮到?item與user并不獨(dú)立,item的表示用到了注意力機(jī)制
最后經(jīng)過(guò)運(yùn)算抒巢，得到了和
,結(jié)合
利用FM模型預(yù)測(cè)評(píng)分
最后最小化誤差損失
4贫贝、實(shí)驗(yàn)部分
數(shù)據(jù)集采用Amazon和Yelp
實(shí)驗(yàn)結(jié)果對(duì)比如下
