AAAI2019|自注意力度量学习在下一个商品推荐中的应用

本文介绍了一种使用自注意力机制的序列推荐模型,通过度量学习捕捉用户全局和局部意图,提高推荐的准确性。实验显示该方法在多项指标上优于现有状态-of-the-art模型。
摘要由CSDN通过智能技术生成

Next Item Recommendation with Self-Attentive Metric Learning

Shuai Zhang, Yi Tay, Lina Yao, Aixin Sun, Jake An

University of New South Wales, Nanyang Technological University

https://recnlp2019.github.io/papers/RecNLP2019_paper_21.pdf

这篇文章提出一种新的序列推荐模型。该模型利用自注意力机制从用户历史行为中推断商品之间的关系。

考虑自注意力之后,该模型能够估计用户行为轨迹中每个商品的相对权重,进而可以对用户短暂兴趣学到更好的表示。

该模型利用度量学习框架来训练,不仅考虑用户的局部意图,还考虑了用户的全局意图。

实验结果表明该方法相对STOA有大幅提升。

这篇文章的主要贡献如下

序列推荐简介如下

自注意力模块图示如下

自注意力的基本模块描述如下


数学表示如下

首先需要映射到相同空间,然后进行softmax

然后value保持不变

亲合矩阵跟value相乘可以得到自注意力模块,然后可以利用一些聚合操作来得到用户的时序意图。

作者们利用以下方式融入时间信息

另外,作者们没有基于点积,而是利用欧式距离来衡量用户跟商品之间的相似性

评论
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