Session-based Rec : RepeatNet

前言

• AAAI2019
• 针对session-based rec,分析了实际场景中存在的Repeat Consumption问题，针对性地提出了RepeatNet推荐模型
• repeat consumption重复消费是许多推荐场景（例如，电子商务，音乐和电视节目推荐）中的常见现象，其中同一物品会随着时间重复出现。
• 以前的研究都没有强调使用神经网络来处理重复消费的情况。需要一种有效的神经方法来决定何时执行重复推荐。
• 在本文中，将重复探索机制(Repeat-explore)引入神经网络，并提出了一种具有encoder-decoder结构的新模型，称为RepeatNet。
• RepeatNet将常规神经推荐方法与新的重复推荐机制集成在一起，该机制可以从用户的历史记录中选择物品并在适当的时间进行推荐。

引言

Repeat consumption是生活中常见的情况，不仅常见而且在电商等场景中占据交互的很大部分。
早期研究发现，消费的新近性(recency of consumption)是重复消费的最强预测指标。推荐系统的重要目标是帮助用户发现新物品。除此之外，许多现实世界的系统都使用针对不同目标的推荐列表，即提醒用户他们过去浏览或消费过的商品。Benson，Kumar和Tomkins（2016）确定了重复消费的两种宏观行为模式。首先，在给定用户的生命周期内，很少有物品可以长期使用。其次，一件物品的最近一次消费存在越来越长的时间间隔，这与厌倦感增加导致最终被遗弃的看法一致。这篇工作与先前关于重复推荐的工作之间的主要区别在于，是第一个提出神经推荐模型的工作，该模型明确强调常规和基于会话的推荐任务中的repeat consumption。

RepeatNet

给定行为session ,推荐任务形式化表示为

Framework

文中显式地将repeat consumption的情况考虑到推荐计算中，将explore和repeat进行结合 完整结构如下图所示，可以分为4个关键组件：

1. session encoder

会话编码将session编码到隐含空间中，使用GRU模型进行编码： 最终得到session中每个物品的表征：

2. Repeat-explore mechanism

对历史记录进行二分类，计算当前session出现repeat的概率，具体而言使用注意力机制进行特征提取，将每个物品与session最后一个物品表征进行注意力计算：

使用softmax得到概率分布：

3. Repeat Recommendation Decoder

计算一个物品的被重复消费的概率：

由于同一物品可能在session中重复出现，因此分子需要计算加和。

4. Explore recommendation decoder

计算新物品被点击的概率：与上面第二部分相同采用注意力机制进行计算：
并将计算得到的结果与最后一个物品的表征结合
计算概率形式如下：

5. 损失函数

实验结果

小结

本文针对repeat consumption情况设计了神经网络模型，把repeat和explore两个任务相结合，提高了推荐效果，虽然模型结构简单，但设计合理。实验方面应该再对比一下其他模型对repeat的数据的预测情况，突出模型设计的优越性。

END

本人简书所有文章均为原创，欢迎转载，请注明文章出处 。百度和各类采集站皆不可信，搜索请谨慎鉴别。技术类文章一般都有时效性，本人习惯不定期对自己的博文进行修正和更新，因此请访问本人简书主页查看最新信息https://www.jianshu.com/u/40d14973d97c