本文介绍了《Micro Behaviors:A New Perspective in E-commerce Recommendation》一文，并尝试复现RIB模型。文章分析了微观行为对推荐系统的重要性，同时指出模型描述的不清晰之处。数据集来源于京东2019年比赛，博客内容包括问题定义、数据预处理、模型构建和训练，以及结果展示。在数据预处理和模型构建过程中，使用了word2vec进行embedding，GRU处理序列信息，并应用了注意力机制。
Micro Behaviors:A New Perspective in E-commerce Recommendation 文章阅读以及代码实验【数据集来自京东2019年比赛数据】
概述
《Micro Behaviors:A New Perspective in E-commerce Recommendation》一文主要探究了微观行为对于预测任务的影响，为了更加准确的描述用户的每一个微观行为，文中提出了RIB模型，鉴于文中没有公布github代码，所以我在这里就根据文章的说法进行了简单的复现。
这篇文章的优缺点都非常明显，优点在于论文对于用户的微观行为进行了非常详细的统计分析，阐述了为什么要做微观行为的意义，在创新度和说服力上都非常强。
缺点在于这篇文章对于模型的介绍并不是十分清晰，前后使用的变量符号也不统一，读起来就有点费解。在本blog中我根据自己的理解统一了一下符号含义，如有不对请多多指正！
这个blog主要的任务也就是在于还原代码的实现过程，数据集来源：https://jdata.jd.com/html/detail.html?id=8 京东2019年的比赛数据集。
不是原po的数据集，因为数据原因，对于模型也有些许变动，但是基本思路是一致的。
下面就开始实现代码的部分啦！拿到数据集后， 大家一起加油吧！
论文解读以及代码实现过程分解
问题定义
- 商品集合 P = { p 1 , p 2 , … , p N p_1,p_2,\dots,p_N p1,p2,…,pN},即有 N 个物品。
- 操作集合 A = { a 1 , a 2 , … , a m a_1,a_2,\dots,a_m a1,a2,…,am}, 即有M种操作。
- 停留时间集合 D = {
d 1 , d 2 , … , d k d_1,d_2,\dots,d_k d1,d2,…,dk}, 即有K种停留时间–作者人为分成的K段，但是我们这里没有，所以没有这个D。
任务：给定用户的历史操作数据即( p i , a j , d k p_i,a_j,d_k pi,aj,dk)的三元组序列，去预测下一个操作的物品。
ps
最低0.47元/天 解锁文章
907
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
