電子發燒友App
創作
發文章
發帖 
提問 
發資料
發視頻在前面的部分中，我們將推薦任務抽象為一個矩陣補全問題，而不考慮用戶的短期行為。在本節中，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。它是一個序列感知推薦器（Quadrana等人，2018 年） ，其中輸入是一個有序且通常帶有時間戳的過去用戶操作列表。最近的一些文獻已經證明了將此類信息納入用戶的時間行為模式建模和發現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，采用卷積神經網絡捕捉用戶近期活動的動態模式影響。Caser 的主要組件由水平卷積網絡和垂直卷積網絡組成，旨在分別揭示聯合級和點級序列模式。點級模式表示歷史序列中的單個項目對目標項目的影響，而聯合級模式表示先前的幾個動作對后續目標的影響。例如，與只購買其中一種相比，同時購買牛奶和黃油會導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，從而對用戶興趣進行更全面的建模。該模型的細節描述如下。
21.7.1。模型架構
在序列感知推薦系統中，每個用戶都與項目集中某些項目的序列相關聯。讓 Su=(S1u,...S|Su|u)表示有序序列。Caser 的目標是通過考慮用戶的一般口味和短期意圖來推薦項目。假設我們把前面的L 考慮的項目，一個嵌入矩陣，表示時間步長的前交互t可以構建：
在哪里Q∈Rn×k表示項目嵌入和qi表示ith 排。E(u,t)∈RL×k可用于推斷用戶的短暫興趣u在時間步長 t. 我們可以查看輸入矩陣E(u,t)作為后續兩個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′. 經過一系列的卷積和池操作，我們得到兩個輸出：
在哪里o∈Rd是水平卷積網絡的輸出，o′∈Rkd′是垂直卷積網絡的輸出。為簡單起見，我們省略了卷積和池操作的細節。它們被連接起來并送入一個完全連接的神經網絡層，以獲得更高層次的表示。
在哪里W∈Rk×(d+kd′)是權重矩陣，
上傳資料賺積分
工商網監
評論