Translation-based Factorization Machines for Sequential Recommendation基于FM的翻译序列推荐

摘要

序列推荐算法的目的是根据用户的历史交互来预测用户未来的行为。最近的一项工作通过采用度量学习和知识图完成的思想，在顺序推荐任务上取得了最先进的性能。这些算法用低维嵌入和距离函数替换了内积，使用简单的动态转换对用户行为进行建模。

      在本文中，我们提出了TransFM模型，它结合了翻译和基于度量的方法与因子分解机(FMs)进行顺序推荐。这样做可以让我们收获FMs的好处(特别是，直接合并基于内容的特性的能力)，同时提高基于翻译的模型在顺序设置中的最新性能。特别地，我们学习了每个特征维的嵌入和平移空间，用平方欧氏距离代替内积来度量特征之间的交互强度。就像FMs一样，我们给出了跨频分析可以在线性时间内进行计算，并利用经典方法进行优化。由于TransFM对任意特征向量进行操作，因此可以轻松地合并附加内容信息，而无需对模型本身进行重大更改。从经验上看，考虑到内容特性，TransFM的性能显著提高，在针对各种数据集的顺序推荐任务上，它的性能优于最先进的模型。

下面纯属个人理解，如有错误请指正：

作者提出的transFM====transRec+FMs

上图是通用TransFM模型。与标准顺序算法和基于度量的算法不同，TransFM对所有观察到的特征之间的交互进行建模。对于每个特征i，模型学习两个实体:一个低维嵌入的和一个平移向量。然后利用欧氏距离的平方d2(·，·)测量特征对之间的相互作用强度。上图中，包含用户特征，item特征和time特征，之间的交互权重由各特征的结束点和起始点之间的距离给出（图中虚线）。特别是TransFM模型中的translation和distance起到了关键作用。

  思想：FM框架（因为本文关注隐性反馈）+序列推荐算法（将欧式距离代替点积）+混合推荐（可以合并时间、地理位置、人口和其他内容特征）。

下面介绍常用的推荐算法：

FM：

利用内积和隐性特征，每个特征的交互根据分解参数的内积加权。

序列推荐：

  常用的序列推荐一般是使用欧式距离代替内积，采用度量的方法。但是如果不做改变，无法将时间、地理位置和其他内容特征考虑进来。但性能一般比FM较高。

translation方法：

对于模拟内容和协同特征交互有效。translation的空间表达能力的增强，使模拟特征交互更有效。

而且，作者提到适当聚合方法，可以提高推荐性能。