Sparse-Interest Network for Sequential Recommendation WSDM2021

摘要

顺序推荐中的最新方法着重于从用户的行为序列中学习下一个推荐的整体嵌入向量。但是，通过经验分析，我们发现用户的行为序列通常包含多个概念上不同的项目，而统一的嵌入向量主要受一个人最近的频繁动作的影响。因此，如果概念上相似的项目在最近的交互中不占主导地位，则可能无法推断出下一个首选项目。为此，另一种解决方案是用编码该用户意图的不同方面的多个嵌入矢量来表示每个用户。尽管如此，最近有关多兴趣嵌入的工作通常考虑了通过聚类发现的少量概念，这可能无法与真实系统中的大量项目类别相提并论。有效地建模大量不同的概念原型是一项艰巨的任务，因为项目在概念上通常不能很好地按精细的粒度进行聚类。此外，一个人通常只与一组稀疏的概念进行交互。有鉴于此，我们提出了一种新颖的稀疏兴趣网络（SINE），以进行顺序推荐。我们的稀疏兴趣模块可以从大型概念库中为每个用户自适应地推断出一组稀疏概念，并相应地输出多个嵌入。给定多个兴趣嵌入，我们将开发一个兴趣汇总模块，以主动预测用户的当前意图，然后使用该模块显式地对多个兴趣进行建模，以进行下一项预测。在几个公共基准数据集和一个大型工业数据集上的经验结果表明，SINE可以比最先进的方法取得实质性的进步。

我就没懂这个图的含义

问题

但是，要从行业水平数据中的用