传统序列召回实践:GRU4Rec
论文理解,参考沈向洋论文十问
-
论文解决了什么问题?
序列推荐场景下用户长期行为不可知的问题 -
这是否是一个新的问题?
不是 -
这篇文章要验证什么科学假设?
用户的一个会话中访问的条目是具有相关性的,且随时间而变化 -
有哪些相关研究?如何归类?谁是这一课题在领域内值得关注的研究员?
前人的研究主要集中在矩阵分解方法和相似度算法,归类为序列推荐问题,Philip S. Yu ,Hongzhi Yin -
论文中提到的解决方案之关键是什么?
使用GRU建模时序信息,并且设计了batch-size方法,来解决序列长度分布不均衡的问题 -
论文中的实验是如何设计的?
Recall MRR,非全量,只从热门商品里召回。 -
用于定量评估的数据集是什么?代码有没有开源?
RSC15 Video ,https://github.com/hidasib/GRU4Rec -
论文中的实验及结果有没有很好地支持需要验证的科学假设?
有,加入RNN序列建模之后效果有大幅提升 -
这篇论文到底有什么贡献?
开创了序列推荐使用神经网络的先河,解决了很多在线系统中长期用户行为记录不可用的情况 -
下一步呢?有什么工作可以继续深入?
<
作者的未来工作是使用多模态信息来增强item的特征。