【推荐算法论文阅读】A Simple Convolutional Generative Network for Next Item Recommendation

这篇文章主要是与Caser进行对比，设计了NextItNet模型，它借鉴pixelCNN的思想，采用层叠的1维空洞卷积扩大感受野来提取item序列特征，加入了残差学习的机制以防止梯度消失的问题，并且为了减少模型中的参数，使用了1*1卷积核进行降维和升维操作。

解决的问题：
基于RNN的序列推荐模型，通常依赖于整个过去的隐藏状态，不能充分利用序列进行并行计算，因此模型的速度在训练和评估中受到了限制。
Caser的局限性：
（1）对长序列数据建模时，使用max pooling不能确定重要特征出现的次数（可能有多个重要特征，但max pooling只提取了一个）并且无法确定该重要特征的位置；
（2）Caser属于浅层网络，难以捕获复杂的关系以及对长期依赖建模；
（3）在生成下一个item时，caser只考虑了最后一个item的条件概率分布。
Caser的结构：



参考资料：

1. （论文阅读笔记）A Simple Convolutional Generative Network for Next Item Recommendation
2. 【序列推荐论文阅读】A Simple Convolutional Generative Network for Next Item Recommendation