2020-09-26 周报

发表于 | 分类于

2020-09-26 周报

1. 本周主题

主题：Sequential Recommendation

论文：

  • 《GRU4Rec: Session-based recommendations with recurrent neural networks》：
    • 出处：2016 NIPS
    • 引用次数：750
    • 作者：Alexandros Karatzoglou
      • Telefonica Research Barcelona, Spain
      • 论文基本都是推荐方向的，论文总引用次数7468
  • 《NARM: Neural Attentive Session-based Recommendation》
    • 出处：2017 CIKM
    • 引用次数：257
    • 作者：山东大学，Zhaochun Ren团队
  • 《SasRec:Self-attentive sequential recommendation》
    • 出处：2018 IEEE
    • 引用次数：157
    • Julian McAuley团队，Computer Science Department UCSD

image-20200927091558661

image-20200927091558661

2.1.3 实验结果

image-20200927091324937

2.1.4 模型分析

  • 本文提出的模型是第一个将 RNN 引入序列推荐的模型，并没有太复杂的结构；

image-20200927091558661

image-20200927091558661

image-20200927091558661

本文在学习模型参数的时候没有并行处理每个session，而是分别处理每个session序列 $e[x1, x_2, …, x{t−1}, x_t]$ ，训练时采用小批量正则化梯度下降法，同时使用交叉熵损失：

image-20200927091558661

$q$ 是预测值，$p$ 是真实标签；

2.2.3 实验结果

image-20200927091558661

2.2.4 模型分析

本文对于序列的长度，在 4-17 个的时候最佳，会话长度特长的时候，效果会下降，本文认为原因是，当一个会话太长时，用户很可能会盲目地点击一些条目，这样NARM中的本地编码器就无法捕获当前会话中用户的主要目的。

image-20200927091558661

image-20200927091558661

2.3.3 实验结果

image-20200927091647435

2.3.4 模型分析

本文主要是利用 transformer 的思想完成对信息的处理与建模，是将 NLP 领域的方法引入到推荐领域的一个很好的方法，另外也利用了 position embedding 的方法，引入了额外信息；

0%
undefined