推荐系统行为序列建模-GRU4Rec

《SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS》论文基于单次会话session进行推荐。

1.模型结构

整体结构比较简单，通过RNN的堆叠来抽取序列信息

• input：单次会话的点击序列 $[x_1,x_2,...x_n]$
• output：时间节点i之后的下一个被点击item $x_{i+1}$

初始embedding是对会话点击序列的编码，通过最后一层GRU后，获得对当前会话序列的整体建模$w_1$，之后可以视为与候选item编码构成的矩阵$w_2$作用得到对各候选item的推荐倾向

2.优化

为了加速训练，作者提出了两个trick：

2.1 SESSION-PARALLEL MINI-BATCHES

GRU4Rec聚焦于单个Session的演变，碎片化Session没有意义

为了保证Session内的连续性和Session间的独立性：

• 同一Mini-batch并行运算，不同的按序串行
• 切换Session时，重置GRU隐变量(如$i_{1,3}$到$i_{5,1}$时)

2.2 SAMPLING ON THE OUTPUT

item数量太多负采样困难，选取了同一个batch 中其他 Session 下一个点击的 item 作为负样本，局部负采样

3.Loss

BPR：$-\frac{1}{N_s}{\sum }_{j=1}^{N_s}log(\sigma ({\hat{r}}_{s,j}>{\hat{r}}_{s,i}))$
TOP1:$-\frac{1}{N_s}{\sum }_{j=1}^{N_s}\sigma ({\hat{r}}_{s,j}>{\hat{r}}_{s,i})+\sigma ({\hat{r}}_{s,j}^2)$