在前面的部分中,我们将推荐任务抽象为一个矩阵补全问题,而不考虑用户的短期行为。在本节中,我们将介绍一种推荐模型,该模型将按顺序排列的用户交互日志考虑在内。它是一个序列感知推荐器(Quadrana等人,2018 年) ,其中输入是一个有序且通常带有时间戳的过去用户操作列表。最近的一些文献已经证明了将此类信息纳入用户的时间行为模式建模和发现他们的兴趣漂移的有用性。
我们将介绍的模型,Caser (Tang 和 Wang,2018),简称卷积序列嵌入推荐模型,采用卷积神经网络捕捉用户近期活动的动态模式影响。Caser 的主要组件由水平卷积网络和垂直卷积网络组成,旨在分别揭示联合级和点级序列模式。点级模式表示历史序列中的单个项目对目标项目的影响,而联合级模式表示先前的几个动作对后续目标的影响。例如,与只购买其中一种相比,同时购买牛奶和黄油会导致购买面粉的可能性更高。此外,用户的一般兴趣或长期偏好也在最后的全连接层中建模,从而对用户兴趣进行更全面的建模。该模型的细节描述如下。
21.7.1。模型架构
在序列感知推荐系统中,每个用户都与项目集中某些项目的序列相关联。让 Su=(S1u,...S|Su|u)表示有序序列。Caser 的目标是通过考虑用户的一般口味和短期意图来推荐项目。假设我们把前面的L 考虑的项目,一个嵌入矩阵,表示时间步长的前交互t可以构建:
在哪里Q∈Rn×k表示项目嵌入和qi表示ith 排。E(u,t)∈RL×k可用于推断用户的短暂兴趣u在时间步长 t. 我们可以查看输入矩阵E(u,t)作为后续两个卷积分量的输入的图像。
水平卷积层有d水平过滤器 Fj∈Rh×k,1≤j≤d,h={1,...,L}, 垂直卷积层有d′垂直过滤器 Gj∈RL×1,1≤j≤d′. 经过一系列的卷积和池操作,我们得到两个输出:
在哪里o∈Rd是水平卷积网络的输出,o′∈Rkd′是垂直卷积网络的输出。为简单起见,我们省略了卷积和池操作的细节。它们被连接起来并送入一个完全连接的神经网络层,以获得更高层次的表示。
在哪里W∈Rk×(d+kd′)是权重矩阵,