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