-
SIGIR2019 short Paper
摘要
基于會(huì)話的k近鄰方法（SKNN）已被證明是基于會(huì)話推薦的有力基線裹虫。然而捻撑，SKNN沒有考慮會(huì)話中隨時(shí)可用的順序和時(shí)間信息输莺。在這項(xiàng)工作中酱畅，我們提出了序列和時(shí)間感知鄰域（Sequence and Time Aware Neighborhood, STAN）茅主。STAN在推薦時(shí)考慮以下因素
i）物品在本session中的位置，
ii）上一次session與本次session的銜接
iii）可推薦物品在相鄰會(huì)話中的位置。
Main Story
基于會(huì)話的推薦算法(session-based rec, SR)的目標(biāo)是通過使用到目前為止的用戶操作序列，推薦用戶可能下一步單擊的物品徽惋。使用深層神經(jīng)網(wǎng)絡(luò)架構(gòu)的SR算法，如基于遞歸神經(jīng)網(wǎng)絡(luò)（RNN）座韵、GNN险绘、注意網(wǎng)絡(luò)等的SR算法。
研究表明誉碴，與其僅依賴于類似物品宦棺，通過RNN等序列模型對(duì)整個(gè)會(huì)話進(jìn)行建模，可以提出更好的推薦黔帕。此外代咸，在確定與當(dāng)前會(huì)話相似的會(huì)話時(shí)，會(huì)話的時(shí)間接近度（最近度）已被證明是有用的成黄。在協(xié)同過濾的一個(gè)相關(guān)場(chǎng)景中呐芥，時(shí)間感知推薦Time-aware RecSys 已經(jīng)很好地研究了結(jié)合時(shí)間和逐漸遺忘以適應(yīng)不斷變化的用戶興趣的重要性。
這項(xiàng)工作中奋岁，我們提出了SR的序列和時(shí)間感知鄰域（STAN）方法思瘟，該方法通過在三個(gè)不同的層次上引入簡(jiǎn)單的衰減因子，將SKNN擴(kuò)展并推廣到整合序列和時(shí)間信息：
i）當(dāng)前會(huì)話中的物品漸忘： gradual item-forgetting within current session
ii）基于當(dāng)前會(huì)話的上下文闻伶，在相鄰的過去會(huì)話中逐漸遺忘物品：
iii）基于時(shí)間差的當(dāng)前會(huì)話物品信息漸忘滨攻。gradual session-forgetting based on time gap w.r.t. current session.
對(duì)三個(gè)真實(shí)數(shù)據(jù)集的理論評(píng)估表明，STAN比SKNN顯著提高虾攻，同時(shí)與最先進(jìn)的深度學(xué)習(xí)方法相當(dāng)铡买。我們的結(jié)果表明更鲁，STAN可以被視為未來評(píng)估新SR算法的有力基線霎箍。
Method
1. Session-KNN
-
物品集合：
-
單個(gè)會(huì)話表示：
- 會(huì)話鄰居集合：
則表示在所有session集合中通過余弦相似度計(jì)算得到的當(dāng)前session的最相似的session。
- 每個(gè)session用一個(gè)m維的二元向量表示澡为，對(duì)應(yīng)物品是否存在
通過協(xié)同過濾的方法快速完成計(jì)算漂坏，其中即表示物品i是否在會(huì)話n中出現(xiàn)過。
2. STAN
模型從三個(gè)角度來考慮session的特點(diǎn)：
-
Recent items in s are more important. 會(huì)話中近期的物品更重要；那么可以設(shè)置物品在會(huì)話中的權(quán)重
那么位置越靠后的顶别，權(quán)重越大谷徙，以此更新session的向量表示： -
比當(dāng)前會(huì)話時(shí)間早的會(huì)話應(yīng)該比當(dāng)前的會(huì)話的權(quán)重低通過以上形式計(jì)算兩個(gè)session之間的權(quán)重，并結(jié)合最基礎(chǔ)的余弦相似度進(jìn)行調(diào)整
-
還需要考慮候選物品在的相關(guān)session中出現(xiàn)的位置
對(duì)于即當(dāng)前會(huì)話的近鄰session驯绎，假定物品i*即為s和n兩個(gè)會(huì)話中的出現(xiàn)位置最近的共現(xiàn)物品完慧，對(duì)于候選物品越接近該共現(xiàn)物品，那么其與該共現(xiàn)模式越相近剩失，應(yīng)該給更大的權(quán)重屈尼。
Exps
總結(jié)
- 本文為早期比較經(jīng)典的基于協(xié)同過濾思想進(jìn)行session-based rec的方法
- 通過引入序列時(shí)間信息等對(duì)評(píng)分公式進(jìn)行了優(yōu)化，可以看出其為比較高效的方法拴孤，在某些數(shù)據(jù)上能取得與NN-based方法相近的效果脾歧。
END
本人簡(jiǎn)書所有文章均為原創(chuàng)，歡迎轉(zhuǎn)載演熟，請(qǐng)注明文章出處 鞭执。百度和各類采集站皆不可信，搜索請(qǐng)謹(jǐn)慎鑒別芒粹。技術(shù)類文章一般都有時(shí)效性兄纺，本人習(xí)慣不定期對(duì)自己的博文進(jìn)行修正和更新，因此請(qǐng)?jiān)L問本人簡(jiǎn)書主頁查看最新信息http://www.reibang.com/u/40d14973d97c
