浙大中科院微软等提出分层注意力网络SHAN用于序列推荐系统

Sequential Recommender System based on Hierarchical Attention Network

Haochao Ying, Fuzhen Zhuang, Fuzheng Zhang, Yanchi Liu, Guandong Xu, Xing Xie, Hui Xiong and Jian Wu

Zhejiang University, CAS, Microsoft, University of Technology, Australia, Rutgers University

IJCAI 2018

https://www.ijcai.org/Proceedings/2018/0546.pdf

随着大量用户活动数据的不断积累，对用户的序列行为进行挖掘，进而用于序列推荐非常重要。

传统上，用户通常的偏好和最近的需求会结合起来用于提升推荐效果。但是，现有方法经常忽略用户长期偏好随着时间会发生变化，对用户通常的偏好构建一种静态的表示无法自适应地反应动态特性。而且，传统方法将用户商品和商品之间的交互利用线性方式集成起来，这限制了模型的能力。

因此，这篇文章提出一种新颖的两层分层注意力网络，将上述特性考虑进来，用于推荐用户可能感兴趣的下一个商品。具体而言，第一层注意力网络基于用户的历史购买商品的表示来学习用户的长期偏好，第二层通过将用户的长期和短期偏好结合起来，输出最终的用户表示。

实验结果表明，作者们所提方法优于其它的STOA方法。

传统推荐系统的缺陷在于

传统模型举例如下

这篇文章的主要贡献如下

下面是问题描述

作者们提出的网络结构图示如下