Sequential相关论文阅读笔记

分享一些最近阅读的WangYan老师团队的文章

《Sequential Recommender Systems: Challenges, Progress and Prospects 》

1. 问题：传统的推荐方法没有考虑一段时间内序列用户行为，用户项目交互，用户喜好和项目受欢迎程度的变化。
2. sequential recommender systems (SRSs)：将用户-项目交互视为动态的序列。
   输入一系列用户-项目交互，预测在不久的将来可能发生的后续用户-项交互。
3. 为什么需要SRSs？
   （1）用户-项目交互是顺序相关的。
   比如，当用户预定了飞机票，酒店，并租赁一辆车，下一步要干什么？下一步可能是自驾去某个景点。在这种情况下，酒店应尽可能靠近航班的目的地机场，取车地点可能离酒店不远。用户的每个后续动作都依赖于前面的动作，因此所有四个消费动作都是顺序相关的。
   （2）用户喜好，项目受欢迎程度是动态变化的。
   （3）用户-项目交互通常在一定的顺序上下文下发生。

《Double-Wing Mixture of Experts for Streaming Recommendations》

已有SRSs：

1. 忽略历史数据中嵌入的长期用户偏好；
2. 数据流中常见的异构性大大降低了流式推荐的准确性。
   本文：提出VRS-DWMoE（Variational and Reservoir-enhanced Sampling based Double-Wing Mixture of Experts），提高流式推荐的准确性。
   首先设计采样方法，使用新的数据补充历史数据，从而捕捉用户长期的偏好。再设计模型，有效学习异构用户喜好和项目特征。