Sequence-Aware Recommendation with Long-Term and Short-Term Attention Memory Networks（LSAMN）

最新推荐文章于 2022-07-04 19:20:58 发布
最新推荐文章于 2022-07-04 19:20:58 发布
阅读量692 收藏 2
点赞数 1
分类专栏： Recommendation System
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ChristineC_/article/details/105586493
版权
该博客介绍了Daochang Chen等人2019年提出的LSAMN模型，用于电商场景的推荐系统。通过两层注意力记忆网络，LSAMN学习用户在session中的长期兴趣和短期动态兴趣，以及session内商品间的联系。实验结果显示，两层注意力机制提高了推荐的准确性，尤其是在Amazon数据集上的表现。
摘要由CSDN通过智能技术生成

Time：2019

Author：Daochang Chen, Rui Zhang, Jianzhong Qi, Bo Yuan（清华）

 

Abstract

在电商场景下，一个session里购买的各个商品对于预测下一个购买物品的权重是不同的。使用Attention Memory Network来学习每个session里的embedding、用户的长期兴趣和短期兴趣。

 

Model Architecture

LSAMN使用一个two-level attention embedding memory network来学习用户长期兴趣和短期动态兴趣之间的关系，同时学习一个session里商品间的联系。two-level attention memory network在两个embedding spaces里对用户长期兴趣和短期兴趣建模。

Two-Level Attention Memory Component

  • Embedding Layer：输入user和一系列sessions，把user和item映射到两个embedding spaces
  • Session-Level Attention Memory Network（SMN）计算每个用户当前session的embedding
最低0.47元/天 解锁文章
ChristineC_
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
CVPR 2019 行为识别 相关论文
qq_36589469的博客
06-13 6137
CVPR2019 Action Recognition 相关论文 Video Action Transformer Network Abstract: We introduce the Action Transformer model for recognizing and localizing human actions in video clips. We repurpose a Trans...
基于用户session兴趣的商品推荐算法-DSIN论文解读
hionechance的blog
12-02 543
0. 写在前面 接着上一篇《DIEN论文解读》来讲讲alibaba最近的一个成果–DSIN(Deep Session Interest Network)深度兴趣会话网络。DSIN是DIEN的升级版，不仅对用户序列进行了更加细致的划分，并且进一步优化了网络架构层数，提高了模型对用户兴趣的表达能力。 个人心得： 用户的行为序列可以用一个个session序列表示，session内的用户兴趣变化不大； self-attention用于提取一个session内的用户兴趣 论文地址： https://arxiv.o
CVPR2019论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
文献笔记|序列推荐|SURGE|Sequence Recommendation with Graph Neural Networks
江城暮色
08-23 2154
文章目录Sequence Recommendation with Graph Neural Networks研究对象面临的问题作者的方法贡献Frame Work方法兴趣图的构建兴趣融合图卷积层兴趣抽取图池化层预测层实验 Sequence Recommendation with Graph Neural Networks 题目：基于图神经网络的序列推荐 作者：Jianxin Chang, Chen Gao, Yu Zheng, Yiqun Hui, Yannan Niu, Yang Song, Depeng
Attention-Based Bidirectional Long Short-Term Memory for Relation Classification双向lstm实体关系分类
chenmingwei000的博客
04-11 4735
         本文章主要内容为关系分类的重大挑战是一个短文本的重要信息的位置并不确定提出的attention双向lstm；attention在许多博客都有相关解释，这里不作说明，双向lstm是对单向lstm做的改进，要通过上下文信息对当前lstm神经元做影响；        在引言部分作者介绍了关系分类的重要性，例如信息提取以及智能问答，文章举了一个小例子，实体与目标之间的关系，它是有关于fl...
【读】关系抽取—（1）Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification
imsuhxz的博客
10-22 8688
学习本无底，前进莫徬徨。 这是一篇Relation Classification相关的paper，出自于中科大自动化所 Zhou ，Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification。收录于ACL 2016。 目录 Abstract 1 Introductio...
推荐系统技术演进趋势：召回->排序->重排
人工智能学家
12-31 2027
来源：DataFunTalk导读：推荐系统技术，总体而言，与 NLP 和图像领域比，发展速度不算太快。不过最近两年，由于深度学习等一些新技术的引入，总体还是表现出了一些比较明显的技术发展...
【NLP】ACL-2019 录用论文
热门推荐
zkq_1986的博客
09-04 2万+
LONG PAPERS (MAIN CONFERENCE) SphereRE: Distinguishing Lexical Relations with Hyperspherical Relation EmbeddingsChengyu Wang, XIAOFENG HE and Aoying Zhou Learning from Dialogue after Deployment: Fee...
序列推荐模型梳理（Sequential Recommendation）
paper_reader的博客
10-28 1万+
阅读更多，欢迎关注公众号：论文收割机（paper_reader） 因为排版问题，很多图片和公式无法直接显示，欢迎关注我们的公众号点击目录来阅读原文。 序列推荐（sequential recommendation）在推荐系统里是非常重要的任务，它通过对用户（user）行为序列，比如购买商品（item）的序列（sequence）来建模，学到user 兴趣的变化，从而能够对用户下一个行为进行预测。序列推荐的模型，随着整个CS research领域的发展，也是一直在不断变化。从最开始的Markov chain，到
LSTM（Long Short-Term Memory）是长短期记忆网络 一篇不错的文章
11-11
一篇不错的关于LSTM（是长短期记忆网络)的文章， 对于LSTM有一种不一样的理解
论文笔记——Long-Short Transformer: Efficient Transformers for Language and Vision
unamable的博客
02-19 272
一、short term attention 这里的操作是对于单一的一个attention head来说的 1.n是patch的数量， d是patch的dimension，对于所有的,只与其相邻的进行attention，必要时边界采用zero padding。 eg1：第一个q和第二个q 只会和他们window内的4个进行attention。 2.维度：Q :n*d ; W: d*dk ; K、V： 2w*d 二、long term attention 这里的操作是对于单一的一个a...
Mxnet (45): 使用sequence-aware recommender（Caser模型）进行电影推荐
泛泛之素
10-13 1478
前面的几种推荐系统都是通过将任务抽象为矩阵完成，并没有考虑到用户的短期行为，人类的喜好是会随着生活学习经历而改变的，往往短期内的反馈最能代表一个人的兴趣。本篇介绍一种考虑用户交互顺序的推荐模型：序列感知推荐（sequence-aware recommender），它的输入是用户带有时间戳的交互列表。 这里介绍的序列感知模型 Caser是 卷积序列嵌入推荐模型(convolutional sequence embedding recommendation model)的缩写，采用卷积神经网络捕获用户最近活动的
基于自注意力机制的下一项推荐
qq_30516823的博客
11-15 7514
Next Item Recommendation with self-Attention摘要关键词介绍相关工作1.序列感知推荐系统（sequence-aware） ACM 2018 原文地址 摘要 这篇论文，作者提出了一个序列感知推荐模型。该模型利用自注意力机制从用户历史交互中推测出item-item之间的关系。通过自注意力机制可以在用户交互轨迹中评估每个item的相关权重，以便更好的来学习用户瞬...
Context / Sequential / Session RS的区别
abcdefg90876的博客
06-14 772
作者| 尹瑞平 来源 |知乎 链接 |https://zhuanlan.zhihu.com/p/124324598编辑 |机器学习与推荐算法 前言最近突然发现之前在很多场景下把S...
LSTM（Long Short-Term Memory）长短期记忆网络
04-02 551
1. 摘要 　　对于RNN解决了之前信息保存的问题，例如，对于阅读一篇文章，RNN网络可以借助前面提到的信息对当前的词进行判断和理解，这是传统的网络是不能做到的。但是，对于RNN网络存在长期依赖问题，比如看电影的时候，某些细节需要依赖很久以前的一些信息，而RNN网络并不能很好的保存很久之前的信息，随着时间间隔不断增大，RNN网络会丧失学习到很远的信息能力，也就是说记忆容量是有限的。例如...
Group-Aware Long- and Short-Term Graph Representation Learning for Sequential Group Recommendation
qq_39091546的博客
01-09 432
SIGIR 2020 华东师范大学 微信腾讯搜索应用部 ABSTRACT 顺序推荐和分组推荐是推荐系统领域的两个重要分支。虽然这两个分支已经以独立的方式投入了大量的精力，但我们将它们结合起来，提出了一种新颖的序贯群推荐问题，该问题能够对群的动态表示进行建模，并且对于获得更好的群推荐性能是至关重要的。该问题的主要挑战是如何基于过去时间范围内组成员的顺序用户-项目交互来有效地学习动态组表示。为了解决这个问题，我们设计了一种群体感知的长期和短期图表示学习方法，即GLSGRL，用于连续的群体推荐。具体地说，对于目
推荐系统2019-2021顶尖会议论文聚焦
lucas的博客
03-11 3446
推荐系统2019-2021顶尖会议论文聚焦 recommendation & deep learning – AAAI_2020_A Knowledge-Aware Attentional Reasoning Network for Recommendation.pdf – AAAI_2020_An Attentional Recurrent Neural Network for Personalized Next Location Recommendation.pdf – AAAI_2020
阿里 Re-rank Recommendation 读后感
hellozhxy的博客
03-17 960
Re-rank作为一种考虑到推荐items之间关系和影响的排序模式，近年来被越来越多的应用到推荐系统中。常规的推荐系统仅仅考虑<user, item> pair，并不会考虑items间作为一个list进行推荐互相的影响。Rerank模型将常规rank模型的输出作为输入，强化items之间的关系以及items与用户的关系进行one-more-time排序。对于不同用户来说，list中it...
时空上下文的序列多标签视频注释：SVM-SML方法
本文主要探讨了自动视频注释在内容为基础的视频索引和检索中的重要性，并提出了一个新的方法，即序列多标签（Sequence Multi-Labeling，SML），用于解决视频注释的问题。传统的视频注释通常将每个镜头视为独立的多...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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