该文探讨了在推荐系统中利用用户记忆网络（RUM）改进预测准确性的方法。RUM通过有选择地读取和更新记忆矩阵，考虑用户历史行为与item之间的关系，解决了传统方法忽略item特性和序列作用的问题。记忆矩阵的设计包括item角度和特征角度的读写策略，用于捕获用户的时序偏好和特征喜好。尽管这种方法揭示了用户偏好的动态变化，但也带来了训练速度下降的挑战。
文章目录
1 背景
现有方法缺陷
1.并不是所有的历史行为都对用户未来喜好有用；
2.现有的方法会将用户的历史序列用一个embedding进行表示，忽略了各个item之间的关系，以及各自的特征）；
就如上图所示，要预测用户是否会购买item e。RNN会将以前所有的历史购买记录考虑进来，生成用户特征向量 user embedding，对其历史购买行为进行汇总。但是历史购买行为里面对于是否会购买预测item e实际上只与item b相关，所以会导致推荐的不准确。忽略了每个历史记录的对预测结果的作用，忽略了每个item自己的特性。
引入记忆网络的原因 ：可以引入外部存储单元（memory matrix）存储states（user 历史购买序列）；通过对memory matrix中的单元进行有选择地读取，生成用户表征，避免对整个历史序列进行操作。存储单元的内容会进行更新。
2 RUM：recommend with user memory network
2.1 记忆网络预测的整体流程
符号说明：p u _{u} u用户u表征；q i _{i} i item i表征
memory enhanced user embedding：依据历史记录以及与历史行为无关的用户属性两个角度生成用户嵌入
历史记录角度的用户特征p u m _{u}^{m} um：依据当前待推荐的q i _{i} i ，从memory matrix中有选择的获取历史序列item：
最低0.47元/天 解锁文章
2012
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
