推荐中的序列化建模：Session-based neural recommendation

点击上方 “机器学习研究会”可以订阅

摘要

 

转自：白婷

首先介绍下session-based 的概念：session是服务器端用来记录识别用户的一种机制. 典型的场景比如购物车，服务端为特定的对象创建了特定的Session，用于标识这个对象，并且跟踪用户的浏览点击行为。我们这里可以将其理解为具有时序关系的一些记录序列。

一、写作动机

传统的两类推荐方法——基于内容的推荐算法和协同过滤推荐算法（model-based、memory-based）在刻画序列数据中存在缺陷：每个item相互独立，不能建模session中item的连续偏好信息。

二、传统的解决方法

1. item-to-item recommendation approach (Sarwar et al.,2001; Linden et al., 2003) : 采用session中item间的相似性预测下一个item。缺点：只考虑了最后一次的click 的item相似性， 忽视了前面的的clicks, 没有考虑整个序列信息。

2.  Markov decision Processes （MDPs）（Shani et al., 2002）：马尔科夫决策过程，用四元组<S,A, P, R>（S: 状态, A: 动作, P: 转移概率, R: 奖励函数）刻画序列信息，通过状态转移概率的计算点击下一个动作：即点击item的概率。缺点：状态的数量巨大，会随问题维度指数增加。（MDPs参见博客：增强学习（二）----- 马尔可夫决策过程MDP）

三、Deep Neural Network的方法

Deep Neural Network (RNN：LSTM和GRU的记忆性) 被成功的应用在刻画序列信息。因为论文中主要采用GRU，下面简单介绍下GRU.（LSTM 详解参加博客：Understanding LSTM Networks)

原文链接：

https://zhuanlan.zhihu.com/p/30720579?group_id=910073604973465600

“完整内容”请点击【阅读原文】

↓↓↓