STAMP:Short-TermAttention/MemoryPriorityModelfor Session-basedRecommendation

基于会话的推荐的短期注意/记忆优先级模型

摘要

然而，现有的方法都没有明确考虑到用户当前操作对其下一步行动的影响。
在本研究中，我们认为长期记忆模型可能不足以对长会话进行建模，而长会话通常包含由意外点击引起的用户兴趣漂移。提出了一种新的短期注意/记忆优先级模型，该模型能够从会话上下文的长期记忆中获取用户的一般兴趣，同时考虑到用户当前的兴趣来自于最后一次点击的短期记忆。在2015年RecSys挑战赛和2016年CIKM杯的三个基准数据集上，对所提出的注意机制的有效性和有效性进行了广泛的评估。数值结果表明，该模型在所有试验中均取得了较好的性能。

introduction

基于已有文献，几乎所有基于rnnr的SRS模型都只考虑将会话建模为一个项目序列，而没有明确考虑到用户兴趣随[6]时间的漂移，这在实践中可能存在问题。例如，如果用户刚刚单击了某个特定的数码相机链接并将其记录在会话中，那么用户的下一步操作很可能是响应当前操作。(1)如果当前的操作是在做出购买决定之前浏览产品描述，那么用户很可能在下一步访问另一个数码相机品牌目录。(2)如果当前的操作是将相机添加到购物车中，那么用户的浏览兴趣可能会被更改为其他外设，如存储卡。在这种情况下，向该用户推荐另一台数码相机不是一个好主意，尽管这个会话的最初意图是购买一台数码相机(如前面的操作所反映的)。
在典型的SRS任务中，会话由一系列命名项组成，用户的兴趣隐藏在这些隐式的反馈中(例如，单击)。为了进一步提高RNN模型的预测精度，必须同时具备学习这种隐式反馈的长期利益和短期利益的能力。正如Jannach等人[7]所指出的，用户的短期兴趣和长期兴趣对于推荐都是非常重要的，但是传统的RNN架构并没有同时区分和利用这两类兴趣[11]。
在本研究中，我们考虑通过在SRS模型中引入一个近期的动作优先机制，即短时注意/记忆优先(STAMP)模型来解决这个问题，该模型可以同时考虑用户的一般兴趣和当前兴趣。在STAMP中，用户的兴趣通常由一个外部内存捕获，该内存由会话前缀中的所有历史单击(包括最后一次单击)构建而成，这就是术语“内存”的含义所在。术语“last-click”表示会话前缀的最后一个操作(项)，SRS的目标是预测与此“last-click”相关的“next click”。在本研究中，我们使用了嵌入last-click来表示用户当前的兴趣，并在此基础上构建了提出的注意机制。由于last-click是外部内存的一个组成部分，所以可以看作是用户兴趣的短期内存。同样，建立在最后一次点击之上的用户注意力可以被看作是短期的注意