推荐中的序列化建模:Session-based neural recommendation

更新于 2017年11月6日 机器学习
我来说两句
wx:白婷   网页版 2017-11-06 03:58
经验总结 深度学习 视觉 算法 应用 白婷 博客 广告系统 神经网络 推荐系统
「推荐中的序列化建模:Session-based neural recommendation」转自:白婷首先介绍下session-based 的概念:session是服务器端用来记录识别用户的一种机制. 典型的场景比如购物车,服务端为特定的对象创建了特定的Session,用于标识这个对象,并且跟踪用户的浏览点击行为。我们这里可以将其理解为具有时序关系的一些记录序列。 一、写作动机传统的两类推荐方法——基于内容的推荐算法和协同过滤推荐算法(model-based、memory-based)在刻画序列数据中存在缺陷:每个item相互独立,不能建模session中item的连续偏好信息。 二、传统的解决方法item-to-item recommendation approach (Sarwar et al.,2001; Linden et al., 2003) : 采用session中item间的相似性预测下一个item。缺点:只考虑了最后一次的click 的item相似性, 忽视了前面的的clicks, 没有考虑整个序列信息。 Markov decision Processes (MDPs)(Shani et al., 2002):马尔科夫决策过程,用四元组<S,A, P, R>(S: 状态, A: 动作, P: 转移概率, R: 奖励函数)刻画序列信息,通过状态转移概率的计算点击下一个动作:即点击item的概率。缺点:状态的数量巨大,会随问题维度指数增加。(MDPs参见博客:增强学习(二)—– 马尔可夫决策过程MDP) 三、Deep Neural Network的方法Deep Neural Network (RNN:LSTM和GRU的记忆性) 被成功的应用在刻画序列信息。因为论文中主要采用GRU,下面简单介绍下GRU.(LSTM 详解参加博客:Understanding LSTM Networks) 原文链接:https://zhuanlan.zhihu.com/p/30720579?group_id=910073604973465600 via: http://mp.weixin.qq.com/s?__biz=MzA4NDEyMzc2Mw==&mid=2649678317&idx=2&sn=6b0c0fe4659ec6580733c536c1a3783e&scene=0#wechat_redirect

 

回复