電子發(fā)燒友App
創(chuàng)作
發(fā)文章
發(fā)帖 
提問 
發(fā)資料
發(fā)視頻在前面的部分中，我們將推薦任務(wù)抽象為一個(gè)矩陣補(bǔ)全問題，而不考慮用戶的短期行為。在本節(jié)中，我們將介紹一種推薦模型，該模型將按順序排列的用戶交互日志考慮在內(nèi)。它是一個(gè)序列感知推薦器（Quadrana等人，2018 年） ，其中輸入是一個(gè)有序且通常帶有時(shí)間戳的過去用戶操作列表。最近的一些文獻(xiàn)已經(jīng)證明了將此類信息納入用戶的時(shí)間行為模式建模和發(fā)現(xiàn)他們的興趣漂移的有用性。
我們將介紹的模型，Caser （Tang 和 Wang，2018），簡稱卷積序列嵌入推薦模型，采用卷積神經(jīng)網(wǎng)絡(luò)捕捉用戶近期活動(dòng)的動(dòng)態(tài)模式影響。Caser 的主要組件由水平卷積網(wǎng)絡(luò)和垂直卷積網(wǎng)絡(luò)組成，旨在分別揭示聯(lián)合級和點(diǎn)級序列模式。點(diǎn)級模式表示歷史序列中的單個(gè)項(xiàng)目對目標(biāo)項(xiàng)目的影響，而聯(lián)合級模式表示先前的幾個(gè)動(dòng)作對后續(xù)目標(biāo)的影響。例如，與只購買其中一種相比，同時(shí)購買牛奶和黃油會(huì)導(dǎo)致購買面粉的可能性更高。此外，用戶的一般興趣或長期偏好也在最后的全連接層中建模，從而對用戶興趣進(jìn)行更全面的建模。該模型的細(xì)節(jié)描述如下。
21.7.1。模型架構(gòu)
在序列感知推薦系統(tǒng)中，每個(gè)用戶都與項(xiàng)目集中某些項(xiàng)目的序列相關(guān)聯(lián)。讓 Su=(S1u,...S|Su|u)表示有序序列。Caser 的目標(biāo)是通過考慮用戶的一般口味和短期意圖來推薦項(xiàng)目。假設(shè)我們把前面的L 考慮的項(xiàng)目，一個(gè)嵌入矩陣，表示時(shí)間步長的前交互t可以構(gòu)建：
在哪里Q∈Rn×k表示項(xiàng)目嵌入和qi表示ith 排。E(u,t)∈RL×k可用于推斷用戶的短暫興趣u在時(shí)間步長 t. 我們可以查看輸入矩陣E(u,t)作為后續(xù)兩個(gè)卷積分量的輸入的圖像。
水平卷積層有d水平過濾器 Fj∈Rh×k,1≤j≤d,h={1,...,L}, 垂直卷積層有d′垂直過濾器 Gj∈RL×1,1≤j≤d′. 經(jīng)過一系列的卷積和池操作，我們得到兩個(gè)輸出：
在哪里o∈Rd是水平卷積網(wǎng)絡(luò)的輸出，o′∈Rkd′是垂直卷積網(wǎng)絡(luò)的輸出。為簡單起見，我們省略了卷積和池操作的細(xì)節(jié)。它們被連接起來并送入一個(gè)完全連接的神經(jīng)網(wǎng)絡(luò)層，以獲得更高層次的表示。
在哪里W∈Rk×(d+kd′)是權(quán)重矩陣，
上傳資料賺積分
工商網(wǎng)監(jiān)
評論