【序列推荐】KDD2018|STAMP---基于注意力的短期记忆优先的推荐

前言

本次分享一篇2018年发表在KDD上的论文,"STAMP: Short-Term Attention/Memory Priority Model for Session-based Recommendation"。本篇论文的背景,依旧是序列推荐【召回】,更准确地说是基于Session的推荐。本文最主要的创新点是:结合通用兴趣(general interest)与当前兴趣(current interest)联合进行推荐。另外, 本篇论文的损失函数非常有意思,并不是和其他Top-K一样完全当成一个二分类,正负样本采用1:N的方式,具体可以看正文内容。
本文约2.9k字,预计阅读10分钟。

STAMP

本篇文章研究的问题是基于匿名会话来预测用户行为。作者提出一个观点:循环神经网络捕捉通用兴趣(general interest,作者自己的定义)是有效的,但是并没有考虑到当前用户兴趣(current interest)对下一行为的影响。在长时间会话中,循环神经网络可能会因为用户的误点击而产生兴趣的偏移。总的来说,就是「用户的短期兴趣和长期兴趣都很重要,但传统的RNN结构设计不能同时区分和利用这两种兴趣。」

因此本文最主要的「创新点」是:提出了一种新的短期注意/记忆优先级(Short-Term Attention/Memory priority, STAMP)模型,该模型能够从会话上下文的长期记忆中捕获用户的通用兴趣,同时从最后点击的短期记忆中考虑用户当前的兴趣。

模型结构

问题描述

定义:

  • 物品池集合:

  • 用户一个Session中的行为序列(即对物品的点击):

  • 物品对应的embedding向量集合: ,且 为embedding的维度;

因此,对于在 时刻,用户的Session集合为:

  • 0
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值