论文阅读-Attention-based Transactional Context Embedding for Next-Item Recommendation

Paper Reading —— Attention-based Transactional Context Embedding for Next-Item Recommendation

基于注意力的事务上下文嵌入下一项推荐

Abstract

在电商交易环境中向user推荐下一个item,这样的应用非常实用但是具有挑战性。Transactional context 是指在交易记录中的observed items。
大多数现有的推荐系统，主要是考虑recently occurring items 而不是 all the ones observed in the current context，这些算法通常假设交易中的items之间存在严格的顺序，但是这并不总是起作用，a long transaction(一个比较长的交易范围)通常包含许多对下一个选择的item没有关联或者说是没有用的item信息，这往往会overwhelm一些真正相关的item的影响。

举个栗子~
让我们举一个例子来说明上述问题。
用户首先将三个项目{milk，apple，orange}放入购物车中，
然后将{bread}添加到同一购物车中。
随后，交易被确定为{milk，apple，orange，bread}。
如果我们将前三个项目作为上下文而最后一个项目作为推荐的目标，
现有方法可能会建议{vegetables}，如{green salad}，
因为最近的上下文项目（orange和apple）。
但是，目标物品面包的选择可能取决于第一个项目（milk）。
在这种情况下，推荐系统应该更多地关注milk而不是orange和apple，
因为milk可能与下一个选择的bread更相关。
此示例显示了下一项建议的重要性，这可能会被交易中的无关项误导。
此外，真实世界的交易数据通常仅指示那些项目与项目之间的订单
（例如，项目时间戳）共同出现在交易中。
因此，推荐具有严格订单的交易项目可能是不可能和现实的。

作者提出一个推荐算法，这个算法不仅考虑当前交易中所有的observed items，而且还要用不同的relevance(相关性)对它们进行加权，以建立一个attentive context(注意力上下文)，以高概率输出正确的下一个项目。模型——基于注意的事务嵌入模型（ATEM），用于上下文嵌入，以在不假定顺序的情况下对每个观察到的项目进行加权。对交易数据集的实证研究证明，ATEM在准确性和新颖性方面都显着优于最先进的方法。

Main Algorithm

问题描述与定义

推荐基于购物车序列( built onshoppingbasket-basedtransactiondata)

给定transactional dataset :

$$T = \{t_{1},t_{2},...,t_{|T|}\}$$

给定每个transaction :

t={ i1,i