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(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。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(jīng)證明了將此類信息納入用戶的時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)絡捕捉用戶近期活動的動態(tài)模式影響。Caser 的主要組件由水平卷積網(wǎng)絡和垂直卷積網(wǎng)絡組成，旨在分別揭示聯(lián)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(lián)合級模式表示先前的幾個動作對后續(xù)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(jié)描述如下。
21.7.1。模型架構
在序列感知推薦系統(tǒng)中，每個用戶都與項目集中某些項目的序列相關聯(lián)。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(xù)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(jīng)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(wǎng)絡的輸出，o′∈Rkd′是垂直卷積網(wǎng)絡的輸出。為簡單起見，我們省略了卷積和池操作的細節(jié)。它們被連接起來并送入一個完全連接的神經(jīng)網(wǎng)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(wǎng)監(jiān)
評論