论文描述:
电子商务网站的爆炸式流行已经改变了用户的购物习惯,越来越多的用户喜欢花更多的时间在网上购物。这使得电子商务网站能够观察到关于用户的丰富数据,包括用户与商品的宏观交互数据,如:用户-商品评分矩阵,和微观的行为数据,如:浏览商品的时间、对商品的阅读和评论等。大多数传统推荐系统集中于用户和商品之间的每个宏观交互中,利用微观行为数据进行推荐的系统相当有限。本文中,我们从微观行为的角度改进推荐系统,我们将用户的固有数据视为用户和商品之间的一些列宏观交互,并保留宏观交互的顺序信息,同时,每个宏观交互都包含一些列的微观行为。如何模拟宏观交互中的顺序信息以及如何有效地的捕捉各种微观行为的影响是一个巨大的挑战。本文中为了应对这种挑战,提出了一个新颖的模型RIB,它由以下部分组成:(1)Input layer,(2)Embedding layer:解决数据稀疏和数据高维的问题,(3)RNN layer:建模时序信息,(4)Attention layter:捕捉各种微观行为的影响,(5)Output layer
参考文献:
Zhou M, Ding Z, Tang J, et al. Micro behaviors: A new perspective in e-commerce recommender systems[C]//Proceedings of the Eleventh ACM International Conference on Web Search and Data Mining. ACM, 2018: 727-735.