VIP内容

题目: Future Data Helps Training: Modelling Future Contexts for Session-based Recommendation

摘要: 基于会话的推荐系统近年来受到了广泛的关注。为了捕获顺序依赖项,现有的方法要么采用数据扩充技术,要么采用从左到右的自回归训练。由于这些方法的目的是对用户行为的顺序性进行建模,因此在构建目标交互的预测模型时忽略了目标交互的未来数据。然而,我们认为在目标交互之后的未来交互(在培训期间也可用)提供了关于用户偏好的有价值的信号,可以用来提高推荐质量。

然而,正确地将未来的数据集成到模型训练中是不容易实现的,因为它违反了机器学习的原则,很容易导致数据泄漏。为此,我们提出了一种新的编码-解码器框架——基于间隙填充的推荐器(GRec),它通过一个间隙填充机制来训练编码器和解码器。具体地说,编码器采用部分完成的会话序列(其中一些项被目的屏蔽)作为输入,并且解码器根据编码的表示来预测这些屏蔽项。我们使用具有稀疏内核的卷积神经网络实例化了通用的GRec框架,同时考虑了准确性和效率。我们在两个涵盖短期、中期和长期用户会话的真实数据集上进行了实验,结果表明GRec显著优于最先进的顺序推荐方法。更多的实证研究验证了在我们的GRec框架下建模未来环境的高实用性。

成为VIP会员查看完整内容
0
20
Top