一般地,在对user进行推荐时,会综合考虑user general taste(即long-term preference)和recent demand(即short-term preference)两个方面。但是现有工作忽略了一个问题,即user 的long-term preference是随时间变化的,所以为general taste学习一个static representation是不足以反应其动态变化的。因此,本文提出2-layer hierarchical attention network进行next item recommendation.
这里先对推荐问题进行分类,根据推荐结果可分为sequential recommender和general recommender
sequential recommender是时序问题,推荐结果是user 下一时刻可能会买的item;
general recommender不包含时序信息,推荐结果是user 下一时刻不一定会买而最终会买的item。
这篇论文要研究的是next item recommendation,是sequential RS。
一. 引言
sequential recommendation面临的challenge
a. 用户行为多为隐式反馈(implicit data)
b.数据产自于sessions or transactions,一个transaction包含一个至多个items,而transactions之间就形成了时序关系。数据如下图所示