<笔记>Long and Short -Term Recommendations with Recurrent Neural Networks
基于项目的序列神经网络推荐
总结:
(1)证明RNN不仅适应基于序列的协同过滤。也可以应用在密集数据集的协同过滤,并且结果优于传统基于项目的推荐方法。
(2)在基于RNN推荐算法的中,长时预测和短时预测的区别被忽略了。长时预测侧重于用户最终是否对项目产生行为(不在乎用户的消费时间);而短时预测关注用户当下的行为预测,用户即将产生的行为,最近行为预测。
在静态传统推荐中只在结果进行预测,对用户进行的项目推荐只关注了用户是否对项目有行为,用户的满意度高不高,并没有关注过用户最终是在那个时间段产生的行为。作者认为传统的排序推荐忽略了项目的顺序(例如:也许一个产品的预测排名并不高,在系统对用户兴趣进行推荐时可能将其放在第3位置,但是对于用户来说该产品可能是当下最需要的,这就产生了推荐偏差)。
贡献:
- 介绍了一个实用的可视化的长短时推荐系统,并使用它来比较几种算法。
- 展示了如何修改RNN,以找到长期和短期预测之间的良好权衡。
- 探讨了短期预测与多样性之间的关系。
注:
作者在input的时候认为用户对项目的行为是有序数列,故,一个序列样本为一个用户的信息:$\u = {item1,item2,…itemn}