本文介绍了SASRec序列化推荐算法，作为序列推荐的重要基准模型，利用Self-Attention进行用户行为建模。实验表明，SASRec在稀疏和稠密数据集上优于传统模型，且训练效率高，支持长序列。关键组件如Positional Embedding、Self-Attention Layer和Feed-Forward Network对模型性能有显著影响。
作者：一元 ，公众号：炼丹笔记
背景
本文介绍一篇较早使用Self-Attention进行序列化推荐的文章,也是目前大多数序列化推荐算法非常重要的Baseline，最典型的场景可以参见标题，该篇文章的思路也是现在推荐系统岗位经常考的一篇，还不速速学习一波。
序列动态是许多当代推荐系统的一个重要特征，它试图根据用户最近执行的操作来捕捉用户活动的“上下文“。本文提出了一个基于self-attention的序列模型（SASRec），它让我们可以捕捉长期语义（如RNN），但是，使用注意机制，它的预测基于相对较少的动作（如MC）。在每一个时间步，SASRec都会从用户的行为历史中找出哪些项目是“相关的”，并使用它们来预测下一个项目。大量的实证研究表明，该方法在稀疏和密集的数据集上都优于各种最新的序列模型（包括基于MC/CNN/RNN的方法）。
此处我们直接介绍模型。
模型
方案描述
1. Embedding层
A. Positional Embedding
最低0.47元/天 解锁文章
扫一扫
1296
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
