中科大等提出深度注意力网络DAM用于捆绑推荐

Matching User with Item Set: Collaborative Bundle Recommendation with Deep Attention Network

Liang Chen, Yang Liu, Xiangnan He, Lianli Gao and Zibin Zheng

Sun Yat-sen University, University of Science and Technology of China, The University of Electronic Science and Technology of China

https://www.ijcai.org/Proceedings/2019/0290.pdf

大部分推荐系统中的研究都是集中在给用户推荐单个商品，比如很多协同过滤的工作都是对用户和商品之间的交互进行建模。但是，在很多真实应用场景中，平台需要给用户展示商品集合，比如，营销策略中会将多个商品打包在一起销售。

这篇文章中对用户推荐商品集合，即捆绑推荐，考虑对用户和商品的集合进行建模。作者们提出一种神经网络解决方案，即DAM，深层注意力多任务模型，该模型有两个特性

1. 设计了分解注意力网络对商品的embedding进行聚合，进而得到捆绑表示

2. 以多任务的方式对用户捆绑交互和用户商品交互联合建模，避免了用户捆绑交互的不足。

在真实数据集上的实验表明，DAM优于STOA的方案，验证了注意力和DAM中多任务学习的有效性。

商品捆绑图示如下

作者们所提模型主要解决以下问题

下面是问题描述

针对embedding聚合方式有多个

作者们采用下面一种基于注意力的聚合方式

作者们所提出的分解机注意力网络简介如下

用户捆绑和用户商品交互的联合建模方式简介如下

如果以分开方式建模，具有一定的缺陷

统一方式建模简介如下

联合建模整体图示如下

多任务学习目标函数及拆解方式如下

作者们利用的数据集简介如下

下面是数据集信息统计

下面是作者们所采用的指标

参与对比的模型有以下几个

超参数设置如下

几种方法的效果比较如下

几种融合策略效果对比如下

不同的共享层数对模型效果影响如下

---

              我是分割线

---

您可能感兴趣

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

加州大学提出时间间隔自注意力模型用于序列推荐(已开源)

普渡大学提出轻量级特征交互算法deeplight大幅加速ctr预估在线服务(已开源)

谷歌和加州大学提出多粒度量化embedding用于大规模类别特征表示

加州大学提出个性化Transformer序列推荐模型SSE-PT(已开源)

谷歌提出深层哈希embedding用于大规模类别型特征表示

微软提出基于知识图谱的深度神经网络DKN用于新闻推荐

谷歌提出改进版DCN(DCNV2)用于大规模推荐系统

ADKDD2017|深度交叉网络DCN在广告点击预估中的应用

WWW2018|FwFM加权域分解机在CTR预估中的应用

WSDM2020|InterHAt分层注意力可解释CTR预估(已开源)

CIKM2019|Fi-GNN图神经网络学习特征交互在CTR预估中的应用(已开源)