Improving Session Recommendation with Recurrent Neural Networks by Exploiting Dwell Time
University of Würzburg（维尔茨堡大学）；L3S Research Center（L3S研究中心）
最近，循环神经网络（RNN）已被应用于基于会话的推荐任务。这些方法使用RNN来预测用户会话中的下一个项目，基于错误访问的项目。虽然一些方法考虑额外的项目属性，我们认为，项目停留时间可以作为一个隐式的用户兴趣的措施，以改善基于会话的项目推荐。我们提出了一个扩展现有的RNN方法，捕获用户停留时间，除了访问的项目，并显示推荐性能可以提高。此外，我们调查的有用性的一个单一的验证分裂模型选择的情况下，轻微的改进，并发现，在我们的情况下，最好的模型没有被选中，一个折叠样的研究与不同的验证集是必要的，以确保选择最好的模型。
2017-06-30 cs.IR cs.LG
Hybrid Session-based News Recommendation using Recurrent Neural Networks
NVIDIA（英伟达）；Instituto Tecnológico de Aeronáutica (ITA)（航空技术学院（ITA））；University of Klagenfurt（克拉根福大学）
我们描述了一个混合的元架构-CHAMELEON -基于会话的新闻推荐，能够利用各种信息类型使用循环神经网络。我们在两个公共数据集上评估了我们的方法，使用一个时间评估协议，以现实的方式模拟新闻门户网站的动态。我们的研究结果证实了使用RNN对会话点击序列进行建模并利用有关用户和文章的辅助信息的好处，从而比其他基于会话的算法具有更高的推荐准确性和目录覆盖率。
2020-06-22 cs.IR cs.LG stat.ML
Session-based Recommendations with Recurrent Neural Networks
Gravity R&D Inc.（Gravity研发公司）；Telefonica Research（西班牙电信研究院）；Netflix（奈飞）
我们将循环神经网络（RNN）应用于一个新的领域，即推荐系统。现实生活中的推荐系统经常面临这样的问题：推荐只能基于短的基于会话的数据（例如，一个小的体育用品网站），而不是长的用户历史（如Netflix的情况）。在这种情况下，经常称赞的矩阵分解方法是不准确的。在实践中，这个问题通常通过采用逐项推荐来解决，即推荐类似的项目。我们认为，通过对整个会话进行建模，可以提供更准确的建议。因此，我们提出了一种基于RNN的方法，用于基于会话的建议。我们的方法还考虑了任务的实际方面，并对经典RNN进行了几处修改，例如排名损失函数，使其更适用于此特定问题。两个数据集上的实验结果表明，广泛使用的方法显着改善。
2016-03-29 cs.IR cs.LG cs.NE
Sequential Skip Prediction with Few-shot in Streamed Music Contents
Seoul National University（首尔国立大学）；Institute for Industrial Systems Innovation（工业系统创新研究所）；Center for Super Intelligence（超级智能中心）；Music and Audio Research Group（音乐与音频研究组）
本文概述了为WSDM Cup 2019 Spotify顺序跳过预测挑战赛（团队名称：mimbres）提交的算法。在挑战中，提供了完整的信息，包括收听会话的前半部分的声学特征和用户交互日志。我们的目标是预测是否会跳过会话后半部分中的单个曲目，仅给定声学特征。我们提出了两种不同的算法，分别基于度量学习和序列学习。实验结果表明，序列学习方法的性能明显优于度量学习方法。此外，我们进行了额外的实验，发现使用完整的用户日志信息可以实现显着的性能增益。
2020-10-26 cs.IR cs.LG cs.SD
Many-to-one Recurrent Neural Network for Session-based Recommendation
EURECOM（欧洲通信学院）；Amadeus SAS（艾玛迪斯公司）
本文介绍了D2KLab团队对RecSys Challenge 2019的方法，该方法侧重于根据用户会话推荐住宿的任务。当一个人说“酒店的房间很大，员工很友好，效率很高”时，他是什么感觉？它是积极的。类似于一个句子中的单词序列，人们可以确认感觉是什么，分析用户在网站上执行的一系列动作可以预测用户在购物会话结束时将添加到他的购物篮中的物品。我们建议使用一个多对一的循环神经网络，学习的概率，用户将点击一个住宿的基础上，他在浏览会话期间执行的动作序列。更具体地说，我们将基于规则的算法与门控递归单元RNN相结合，以便对显示给用户的住宿列表进行排序。我们在验证集上优化了RNN，调整了超参数，如学习率，批量大小和适应嵌入大小。这种与情感分析任务的类比给出了有希望的结果。然而，它在训练阶段的计算要求很高，需要进一步调整。
2020-08-25 cs.IR cs.LG stat.ML
Recurrent Latent Variable Networks for Session-Based Recommendation
Cyprus University of Technology（塞浦路斯理工大学）
在这项工作中，我们试图改善数据稀疏性的影响，在基于会话的建议。具体来说，我们试图设计一个机器学习机制，能够提取微妙的和复杂的潜在的时间动态观察到的会话数据，以便通知推荐算法。为此，我们改进了利用具有循环连接单元的深度学习技术的系统;我们通过采用贝叶斯统计领域的概念，即变分推理来实现这一点。我们提出的方法包括在治疗网络经常性单位作为随机潜变量与先验分布强加给他们。在此基础上，我们继续推断相应的后验;这些可以用于预测和推荐生成，在某种程度上，占可用的稀疏训练数据的不确定性。为了使我们的方法可以轻松地扩展到大型现实世界的数据集，我们在近似摊销变分推理（AVI）设置下执行推理，从而通过（传统的）神经网络参数化学习后验。我们使用具有挑战性的基准数据集对我们的方法进行了广泛的实验评估，并说明了其优于现有最先进技术的优越性。
2017-06-13 cs.IR cs.LG stat.ML
Predict your Click-out: Modeling User-Item Interactions and Session Actions in an Ensemble Learning Fashion
本文介绍了POLINKS团队对RecSys Challenge 2019的解决方案，该解决方案的重点是预测基于会话的交互中的最后点击。我们提出了一个集成的方法，包括一个矩阵分解的交互用户项建模，和会话感知学习模型与递归神经网络实现。这种方法似乎是有效的预测最后点击得分0.60277的平均倒数排名的本地测试集。
2020-02-08 cs.IR
Contextual Hybrid Session-based News Recommendation with Recurrent Neural Networks
National Institute of Standards and Technology（美国国家标准与技术研究院）；Colorado State University（科罗拉多州立大学）；University of Klagenfurt（克拉根福大学）
推荐系统通过向用户提供定制的项目建议来帮助用户处理信息过载。新闻的推荐通常被认为是具有挑战性的，因为文章对于用户的相关性可以取决于各种因素，包括用户的短期阅读兴趣、读者的上下文、或者文章的新近度或流行度。以前的工作表明，循环神经网络的使用是有前途的下一个会话预测任务，但有一定的局限性时，只有记录的项目点击序列作为输入。在这项工作中，我们提出了一个上下文混合，基于深度学习的方法，基于会话的新闻推荐，能够利用各种信息类型。我们在两个公共数据集上评估了我们的方法，使用一个时间评估协议，以现实的方式模拟新闻门户网站的动态。我们的研究结果证实了考虑其他类型的信息，包括文章的流行度和新近度，在所提出的方式，导致显着更高的推荐准确性和目录覆盖率比其他基于会话的算法的好处。额外的实验表明，我们的方法中使用的拟议参数化损失函数也允许我们平衡两个通常相互冲突的质量因素，准确性和新颖性。保留字：人工神经网络，上下文感知推荐系统，混合推荐系统，新闻推荐系统，会话推荐
2019-12-08 cs.IR cs.LG stat.ML
An Adjustable Heat Conduction based KNN Approach for Session-based Recommendation
KNN方法由于其高效性、鲁棒性和可解释性而被广泛应用于推荐系统中，最近被提出用于基于会话的推荐，并优于递归神经网络模型。它通过考虑交互时间来捕获项目的最近共现信息。但该方法忽略了交互时间较早的历史行为中项目的共现信息，无法区分不同流行度的项目和会话的影响。由于这些观察，本文提出了一种新的上下文KNN方法来解决这些问题，基于会话的推荐。具体而言，提出了一种基于扩散的相似性方法来考虑会话-项目二分网络中顶点的流行度，并提出了一种候选选择方法来有效地捕获与同一会话中不同历史点击项目共现的项目。在三个基准数据集上进行了全面的实验，以证明我们的KNN方法在基于会话的推荐中的有效性。
2018-07-16 cs.IR
Positive, Negative and Neutral: Modeling Implicit Feedback in Session-based News Recommendation
Shanghai Jiao Tong University（上海交通大学）
对于许多新闻门户网站来说，为匿名读者推荐新闻是一项有用但具有挑战性的任务，其中读者与文章之间的交互仅限于临时登录会话。以往的工作往往制定基于会话的推荐作为下一个项目的预测任务，而他们忽略了用户行为的隐式反馈，这表明用户真正喜欢或不喜欢。因此，我们提出了一个全面的框架，通过积极的反馈（即，他们花费更多时间的文章）和负面反馈（即，他们选择跳过而不点击的文章）。此外，该框架隐式地使用会话开始时间对用户进行建模，并使用其初始发布时间对文章进行建模，我们称之为“中立反馈”。三个真实世界的新闻数据集的实证评估表明，该框架的更准确，更多样化，甚至比其他国家的最先进的基于会话的推荐方法意想不到的建议有前途的表现。
2022-05-12 cs.IR cs.LG
Time is of the Essence: a Joint Hierarchical RNN and Point Process Model for Time and Item Predictions
近年来，基于届会的建议已成为一种越来越适用的建议。由于会话由事件序列组成，因此这种类型的推荐非常适合递归神经网络（RNN）。已经提出了几个附加的扩展这样的模型，以处理特定的问题或数据。两个这样的扩展是1.）用于捕获用户会话上的长期依赖性的会话间关系的建模，以及2.）对用户-项目交互的时间方面进行建模。前者允许基于会话的推荐在提供新推荐时利用扩展的会话历史和会话间信息。后者已被用于提供最先进的预测，即用户何时返回服务，以及改进推荐。在这项工作中，我们结合这两个扩展在一个联合模型的推荐和返回时间预测的任务。该模型包括一个层次RNN的会话间和会话内的项目推荐扩展与点过程模型的会话之间的时间间隔。实验结果表明，所提出的模型在两个数据集上的推荐显著提高，同时在基线返回时间预测模型上提高了返回时间预测。
2018-12-04 cs.IR
PARSRec: Explainable Personalized Attention-fused Recurrent Sequential Recommendation Using Session Partial Actions
UC Davis（加州大学戴维斯分校）
新兴的Meta和多元宇宙景观是朝着更普遍地使用已经无处不在的在线市场迈出的又一步。在这样的市场中，推荐系统通过向用户提供感兴趣的项目，从而缩小包括数十万产品的巨大搜索空间而发挥关键作用。推荐系统通常被设计为学习常见的用户行为并依赖它们进行推理。这种方法虽然有效，但却忽视了区分人类的微妙特质。专注于这一观察，我们提出了一个架构，依赖于共同的模式，以及个人的行为，为每个人量身定制的建议。在受控环境下的仿真表明，我们提出的模型学习可解释的个性化用户行为。尼尔森消费者面板数据集上的实证结果表明，所提出的方法实现了高达27.9%的性能提高相比，国家的最先进的。
2022-09-16 cs.AI cs.IR cs.LG
Context Tree for Adaptive Session-based Recommendation
由于长期用户简档在现实生活中的推荐应用中并不常见，因此近年来，从实践和研究的角度来看，人们对基于会话的推荐任务越来越感兴趣。在这种情况下，需要基于匿名短会话中的模式来生成针对用户的紧接着的动作的建议。一个经常被忽视的方面是，在许多领域（例如新闻和论坛）中，观察有限的新项目不断出现。因此，建议需要适应这种频繁的变化。在本文中，我们基准测试一个新的非参数方法称为上下文树（CT）对各种国家的最先进的方法在广泛的数据集上基于会话的推荐任务。除了标准的静态评估协议通过以前的文献中，我们包括一个自适应配置，以模仿的情况下，有限的观察新项目不断到达。我们的研究结果表明，CT优于两个性能最好的方法（递归神经网络，基于最近邻）在大多数测试的配置和数据集。我们分析了原因，并证明这是因为更好地适应域中的变化，以及学习静态序列模式的显着能力。此外，我们的运行时间分析说明了使用CT作为其他非参数方法的效率。
2018-06-10 cs.IR
Learning Recommendations from User Actions in the Item-poor Insurance Domain
虽然个性化推荐在零售等领域取得了成功，但在数据稀疏的领域，如保险购买，自动推荐的生成是一个悬而未决的问题。众所周知，保险领域是数据稀疏的，因为产品的数量通常很低（与零售相比），并且它们通常被购买以持续很长一段时间。此外，许多用户仍然更喜欢电话而不是网络来购买产品，从而减少了网络记录的用户交互量。为了解决这个问题，我们提出了一个递归神经网络推荐模型，该模型使用过去的用户会话作为学习推荐的信号。从过去的用户会话中学习允许处理保险领域的数据稀缺性。具体来说，我们的模型从几种类型的用户操作中学习，这些用户操作并不总是与项目相关联，与所有先前的基于会话的推荐模型不同，它对输入会话和目标操作（购买保险）之间的关系进行建模，这些目标操作并不发生在输入会话中。对来自保险领域的真实世界数据集的评估（ca. 44K用户，16个项目，54K购买和117K会话）与几个最先进的基线相比，表明我们的模型明显优于基线。消融分析表明，这主要是由于我们的模型中跨会话的依赖关系的学习。我们贡献了有史以来第一个基于会话的保险推荐模型，并将我们的数据集提供给研究界。
2022-11-28 cs.IR
RepeatNet: A Repeat Aware Neural Recommendation Machine for Session-based Recommendation
递归神经网络用于基于会话的推荐，由于其良好的性能，近年来引起了广泛的关注。重复消费是许多推荐场景中的常见现象（例如，电子商务、音乐和电视节目推荐），其中随着时间的推移重复地重新消费相同的项目。然而，没有以前的研究强调重复消费与神经网络。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，我们将重复探索机制到神经网络，并提出了一个新的模型，称为RepeatNet，与编码器-解码器结构。RepeatNet在解码器中集成了一种常规的神经推荐方法和一种新的重复推荐机制，该机制可以从用户的历史记录中选择项目，并在正确的时间推荐它们。我们在三个基准数据集上进行了广泛的实验。RepeatNet在所有三个数据集的MRR和Recall方面都优于最先进的基线。此外，随着数据集大小和重复率的增加，RepeatNet在基线上的改进也会增加，这表明了它在处理重复推荐场景方面的优势。
2018-12-06 cs.IR
Recommending Target Actions Outside Sessions in the Data-poor Insurance Domain
针对保险领域反馈少、商品少且多电话购买的数据稀缺问题，提出基于多会话和多动作学习、预测会话外目标动作的循环神经网络推荐模型，并在真实数据上验证其效果、公平性及人口统计信息增益。
2024-03-01 cs.IR
Contextual Sequence Modeling for Recommendation with Recurrent Neural Networks
推荐可以从推荐时良好的用户状态表示中受益匪浅。最近利用循环神经网络（RNN）进行基于会话的推荐的方法表明，深度学习模型可以为推荐提供有用的用户表示。然而，当前的RNN建模方法仅通过考虑用户过去与之交互的项目序列来总结用户状态，而不考虑其他基本类型的上下文信息，例如用户-项目交互的关联类型，事件之间的时间间隔以及每次交互的时间。为了解决这个问题，我们提出了一类新的上下文循环神经网络推荐（CRNN），它可以考虑输入和输出层的上下文信息，并通过将上下文嵌入与项目嵌入相结合来修改RNN的行为，更明确地说，在模型动态中，通过将隐藏单元转换参数化为上下文信息的函数。我们将CRNN方法与RNN和非顺序基线进行了比较，并在下一个事件预测任务上显示出良好的改进。
2017-06-23 cs.IR
Inter-Session Modeling for Session-Based Recommendation
Norwegian University of Science and Technology（挪威科技大学）；Telenor Research（挪威电信研究院）
近年来，人们对递归神经网络（RNN）作为推荐系统的应用进行了研究。结果是有希望的，特别是在基于会话的环境中，RNN已被证明优于最先进的模型。在许多这些实验中，RNN可以通过利用用户过去会话的信息以及当前会话中的交互来改进推荐。基于会话的推荐的一个问题是如何在会话开始时，在系统已经了解了很多关于用户当前兴趣的信息之前产生准确的推荐。我们提出了一种新的方法，扩展了RNN推荐器，使其能够处理用户最近的会话，以提高推荐。这是通过使用第二个RNN来从最近的会话中学习，并预测用户对当前会话的兴趣来完成的。通过将这些信息反馈给原始RNN，它能够改进其建议。我们在两个不同数据集上的实验表明，与仅在当前会话上工作的单个RNN相比，所提出的方法可以显着提高整个会话中的推荐。所提出的模型，特别是在会议开始时的建议，因此能够处理会议内的冷启动问题。
2017-06-22 cs.AI cs.IR
Talking to Your TV: Context-Aware Voice Search with Hierarchical Recurrent Neural Networks
我们解决了新的问题，导航语音查询对娱乐系统，观众互动与语音遥控器指定的节目观看。这是一个困难的问题，原因有几个：这样的查询很短，甚至比其他领域中的类似语音查询更短，这提供了更少的机会来破译用户意图。此外，潜在的语音识别错误加剧了模糊性。我们通过整合查询的单词和字符级表示以及通过建模语音搜索会话来捕获查询序列中的上下文依赖关系来解决这些挑战。两者都是用概率框架来完成的，在概率框架中，递归和前馈神经网络模块以分层的方式组织。我们从Comcast Xtag1娱乐系统上250万观众的3200万语音查询的原始数据集中提取数据来训练和测试我们的模型。我们展示了我们的混合表示和上下文感知模型的好处，它显着优于没有上下文的模型以及当前部署的产品。
2017-05-13 cs.IR
Session-based Social Recommendation via Dynamic Graph Attention Networks
Facebook和Twitter等在线社区非常受欢迎，已成为许多用户日常生活的重要组成部分。通过这些平台，用户可以发现和创建其他人将使用的信息。在这方面，向用户推荐相关信息对于可行性至关重要。然而，在线社区中的推荐是一个具有挑战性的问题：1）用户的兴趣是动态的，2）用户受到他们的朋友的影响。此外，影响者可以是上下文相关的。也就是说，不同的朋友可以依赖于不同的主题。因此，对这两种信号进行建模对于建议至关重要。我们提出了一个基于动态图注意神经网络的在线社区推荐系统。我们使用递归神经网络对动态用户行为进行建模，并使用图形注意力神经网络对上下文相关的社会影响进行建模，该网络根据用户的当前兴趣动态推断影响者。整个模型可以有效地拟合大规模数据。几个真实世界的数据集上的实验结果表明，我们提出的方法在几个竞争性的基线，包括国家的最先进的模型的有效性。
2019-04-15 cs.IR
TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based Recommendations
Samsung Research, Samsung Electronics（三星电子三星研究院）
提出TempGNN框架，利用动态会话图上的时序嵌入算子捕捉物品转移的结构与时间动态，在两个真实电商数据集上取得最先进性能。
2023-10-20 cs.AI cs.IR
Personalizing Search Results Using Hierarchical RNN with Query-aware Attention
搜索结果个性化已成为提高搜索引擎质量的有效途径。以往的研究提取了用户过去的点击次数、用户的主题兴趣、查询点击熵等信息来对原始排名进行裁剪。然而，很少有研究考虑到先前的查询和会话的顺序信息。直觉上，发出查询的顺序在推断真实用户兴趣方面很重要。最近的会话应该比旧会话提供更可靠的个人信号。此外，先前的搜索历史和用户行为应该根据它们的相关性来影响当前查询的个性化。为了实现这些直觉，在本文中，我们采用了分层递归神经网络，利用这些序列信息，并自动生成用户简档的历史数据。我们提出了一个查询感知的注意力模型来生成一个动态的用户简档的基础上输入查询。与几种传统的个性化模型相比，在实验中观察到显着的改善，从商业搜索引擎的数据。我们的分析表明，注意力模型能够在精细训练后将更高的权重归因于更相关的过去会话。
2019-08-20 cs.IR
Matrix embedding method in match for session-based recommendation
基于会话的推荐模型在推荐系统中得到了广泛的应用。该算法将用户点击序列作为递归神经网络的输入，将递归神经网络的输出作为会话的向量嵌入，并将会话的向量嵌入与下一个条目的向量嵌入的内积作为评分，作为对下一个条目的兴趣度量。该方法可用于项目数很大的推荐系统的匹配阶段，可以采用KD-Tree或Ball-Tree等索引方法。但是这种方法否认了用户在会话中兴趣的多样性。我们生成的模型修改的向量嵌入会话的对称矩阵嵌入，这是等价于一个二次型的向量空间的项目。得分被构建为二次型下下的下一项的向量嵌入的值。通过构造正特征值所对应的对称矩阵嵌入的特征向量来表示会话中用户的兴趣。该方法也可用于“匹配”阶段。实验表明，该方法优于矢量嵌入方法。
2019-08-27 cs.IR cs.LG
News Session-Based Recommendations using Deep Neural Networks
CI&T；Brazilian Aeronautics Institute of Technology - ITA（巴西航空技术学院 - ITA）
新闻推荐系统旨在个性化用户体验，并帮助他们从一个大的和动态的搜索空间发现相关的文章。因此，新闻领域是一个具有挑战性的场景推荐，由于其稀疏的用户分析，快速增长的项目数量，加速项目的价值衰减，和用户的偏好动态变化。最近，通过在推荐系统中使用深度学习技术，特别是在项目的特征提取和基于会话的推荐中使用递归神经网络，已经取得了一些有希望的结果。在本文中，它提出了一个实例化的CHAMELEON -一个深度学习元架构的新闻推荐系统。该架构由两个模块组成，第一个模块负责学习新闻文章表示，基于它们的文本和元数据，第二个模块旨在使用递归神经网络提供基于会话的推荐。这项工作中的推荐任务是为用户会话预测下一个条目：“用户在会话中最有可能阅读的下一篇文章是什么？“用户会话上下文被架构利用来在这种极端的新闻推荐冷启动场景中提供额外的信息。该方法融合了用户行为特征和项目特征。一个时间离线评价方法也提出了一个补充的贡献，这样的任务更现实的评价，考虑到动态因素，影响全球读者的兴趣，如流行度，新近度和季节性。大量基于会话的推荐方法进行了实验，所提出的CHAMELEON元架构的实例化在最佳基准方法的前n个准确性和排名指标（命中率为10%，MRR为13%）方面获得了显着的相对改善。
2018-09-17 cs.AI cs.IR cs.LG
Context-aware short-term interest first model for session-based recommendation
Heilongjiang University（黑龙江大学）
在用户简档不可用的情况下，基于匿名会话的推荐尤为重要，其目的是根据用户在一段时间内的访问顺序来预测用户下一时刻可能点击的项目。近年来，随着递归神经网络、注意力机制和图神经网络的发展，基于会话的推荐性能得到了很大的提高。然而，以前的方法没有全面考虑上下文的依赖性和短期利益第一的会话。为此，本文提出了一种上下文感知的短期兴趣优先推荐模型（CASIF），旨在通过结合上下文和短期兴趣来提高推荐的准确性。在CASIF中，我们动态地为会话序列构造一个图结构，并通过图神经网络（GNN）捕获丰富的上下文依赖，潜在的特征向量被捕获作为下一步的输入。然后构建了短期兴趣优先模块，该模块能够在长期记忆的背景下从会话中捕获用户的一般兴趣，同时从用户最近一次点击的项目中获取用户的当前兴趣。最后，将短期兴趣和长期兴趣结合起来作为最终兴趣，并乘以候选向量以获得推荐概率。最后，在两个真实数据集上的大量实验证明了该方法的有效性。
2021-03-29 cs.AI cs.IR
Time-weighted Attentional Session-Aware Recommender System
University of Texas at Austin（得克萨斯大学奥斯汀分校）；Facebook Inc（脸书公司）
基于会话的递归神经网络（RNN）由于用户在最近会话上的行为的高度自相关性以及RNN捕获序列顺序信息的有效性而在推荐任务中越来越受欢迎。然而，大多数现有的基于会话的RNN推荐系统仍然只关注单个会话中的短期交互，并完全丢弃不同会话中的所有其他长期数据。而传统的协同过滤（CF）方法在挖掘长期依赖性方面有许多先进的研究成果，在深度学习模型中有很大的开发价值。因此，在本文中，我们提出了ASARS，一种新的框架，有效地将CF中的时间动态方法引入到DL中基于会话的RNN系统中，使得时间信息可以通过并行注意力网络作为可扩展的权重。具体来说，我们首先进行了广泛的数据分析，以显示这种时间交互数据在会话内和会话之间的分布和重要性。然后，我们的ASARS框架提出了两个新的模型：（1）会话间的时间动态模型，捕捉长期的用户交互的RNN推荐系统。我们在会话RNN中集成了时间变化，并添加了用户偏好作为模型漂移;（2）一种新的三角形并行注意力网络，通过引入时间信息来增强原始RNN模型。这种三角形并行网络也是专门为实现序列到标量RNN架构中的数据论证而设计的，因此可以非常有效地进行训练。我们在四个不同领域的真实数据集上进行了大量的实验，证明了ASARS在个性化推荐方面的有效性和巨大的改进。
2019-09-12 cs.IR cs.LG stat.ML
Predicting next shopping stage using Google Analytics data for E-commerce applications
MorphL；UPB（布加勒斯特理工大学）
电子商业Web应用程序在我们的日常生活中几乎无处不在，但尽管它们很有用，但它们中的大多数几乎没有适应用户需求，这反过来又会导致较低的转换率以及不满意的客户。我们提出了一个机器学习系统，学习用户的行为，从多个以前的会话，并预测有用的指标，为当前会话。反过来，应用程序可以使用这些指标来定制和更好地定位客户，这可能意味着提供更好的特定产品，有针对性的通知或放置智能广告。用于学习算法的数据是从Google Analytics Enhanced电子商业中提取的，大多数电子商业网站都支持该功能，因此任何此类商家都可以使用该系统。为了学习用户模式，只使用其行为特征，不包括姓名，性别或任何其他可以识别用户的个人信息。所使用的学习模型是一个双循环神经网络，学习会话内和会话间的功能。该模型为每个会话预测每个定义的目标类的概率得分。
2019-05-29 cs.CL cs.IR
Recurrent Neural Networks for Long and Short-Term Sequential Recommendation
CAIL；Université de Lille（里尔大学）
推荐系统的目标可以概括为在短期或长期时间范围内对用户偏好进行建模。以往的大量研究通过降维技术应用于历史用户-项目交互来研究长期推荐。最近引入的基于会话的推荐设置强调了建模短期用户偏好的重要性。在这项任务中，循环神经网络（RNN）已被证明在短时间内成功捕捉用户交互的细微差别。在本文中，我们评估了基于RNN的短期和长期推荐任务模型。我们的实验结果表明，RNN能够预测即时和远程用户交互。我们还发现性能最好的配置是具有层归一化和绑定项嵌入的堆叠RNN。
2018-07-23 cs.IR cs.LG stat.ML
Comprehensive Empirical Evaluation of Deep Learning Approaches for Session-based Recommendation in E-Commerce
一旦用户在短时间内找到更多符合其兴趣的商品，电子商业服务的销售就有了保证。因此，推荐系统已经成为任何成功的电子商业服务的关键部分。虽然各种推荐技术可以用于电子商业，相当多的注意力已经提请基于会话的推荐系统在最近几年。这种日益增长的兴趣是由于对收集个性化用户行为数据的安全担忧，特别是在最近的一般数据保护法规之后。在这项工作中，我们提出了一个全面的评估国家的最先进的深度学习方法中使用的基于会话的建议。在基于会话的推荐中，推荐系统依靠用户在同一会话中做出的事件序列来预测和认可更可能与他/她的偏好相关的其他项目。我们广泛的实验研究了基线技术（\textit{e.g.,}最近邻和模式挖掘算法）和深度学习方法（\textit{e.g.,}循环神经网络，图神经网络和基于注意力的网络）。我们的评估表明，先进的基于神经元的模型和基于会话的最近邻算法在大多数情况下优于基线技术。然而，我们发现，当用户兴趣存在漂移时，以及在训练期间没有足够的数据来正确地对不同的项目进行建模时，这些模型在长会话的情况下会受到更多的影响。我们的研究表明，使用不同方法的混合模型与基线算法相结合，可以在基于数据集特征的基于会话的推荐中产生实质性结果。我们还讨论了目前基于会话的推荐算法的缺点和进一步开放的研究方向在这一领域。
2020-10-17 cs.CY cs.IR cs.MM
Graph Spring Network and Informative Anchor Selection for Session-based Recommendation
Huazhong University of Science and Technology（华中科技大学）
基于会话的推荐（SBR）旨在预测正在进行的匿名会话的下一个项目。SBR的主要挑战是如何捕捉项目之间更丰富的关系，并学习基于ID的项目嵌入来捕捉这种关系。最近的研究建议首先从会话中构建一个项目图，并采用图神经网络（GNN）从图中编码项目嵌入。虽然这种基于图的方法已经实现了性能改进，但它们的GNN不适合用于SBR任务的基于ID的嵌入学习。在本文中，我们认为，这种基于ID的嵌入学习的目标是捕捉一种\textit{neighborhood affinity}，在嵌入空间中的节点的嵌入是类似于它的邻居。我们提出了一个新的图神经网络，称为图弹簧网络（GSN），用于学习基于ID的项目嵌入项目图，以优化嵌入空间中的邻域亲和力。此外，我们认为，即使堆叠多个GNN层也可能不足以对图中相距甚远的两个项目节点的潜在关系进行编码。在本文中，我们提出了一种策略，首先选择一些信息的项目锚，然后编码项目的潜在关系，这样的锚。总之，我们提出了一个GSN-IAS模型（图弹簧网络和信息锚点选择）的SBR任务。我们首先构造一个项目图来描述项目在所有会话中的共现。我们设计了基于ID的项目嵌入学习的GSN，并提出了一个\textit{item entropy}措施来选择信息锚。然后，我们设计了一个无监督学习机制来编码项目与锚的关系。接下来，我们采用共享门控递归单元（GRU）网络来学习两个会话表示并进行两个下一个项目预测。最后…
2022-02-19 cs.AI cs.IR
Evaluation of Session-based Recommendation Algorithms
TU Dortmund（多特蒙德工业大学）；AAU Klagenfurt（克拉根福大学）
推荐系统帮助用户找到感兴趣的相关项目，例如在电子商务或媒体流网站上。大多数学术研究关注的是根据长期用户简档个性化推荐的方法。然而，在许多现实世界的应用中，这种长期简档通常不存在，因此必须仅基于在正在进行的会话期间观察到的用户行为来进行推荐。鉴于高的实际相关性的问题，在这个问题上的兴趣增加，可以观察到在最近几年，导致一些建议基于会话的推荐算法，通常旨在预测用户的下一个动作。在这项工作中，我们提出了一些这样的算法，使用各种数据集和评估措施的深入性能比较的结果。我们的比较包括基于递归神经网络（如GRU4REC）的最新方法，因子分解马尔可夫模型方法（如FISM或FOSSIL），以及基于更简单的方法，例如，最近邻方案。我们的实验表明，后一类算法，尽管有时几乎微不足道的性质，往往表现得同样好，或显着优于今天的更复杂的方法，基于深度神经网络。因此，我们的研究结果表明，有很大的改进空间，关于更复杂的基于会话的推荐算法的发展。
2018-10-30 cs.AI cs.IR cs.LG
Leveraging Negative Signals with Self-Attention for Sequential Music Recommendation
Georgia Institute of Technology（佐治亚理工学院）；TU Wien（维也纳工业大学）
针对序列音乐推荐中短内容场景和会话级负反馈利用不足的问题，提出可嵌入多种深度架构的对比学习损失，用跳过曲目等负信号提升推荐效果。
2024-01-18 cs.IR cs.LG
Hybrid Model with Time Modeling for Sequential Recommender Systems
Deep Learning Brazil – Federal University of Goiás（深度学习巴西机构——戈亚斯联邦大学）
基于深度学习的方法已成功用于推荐系统问题。使用递归神经网络，Transformers，和注意力机制的方法是有用的建模用户的长期和短期的偏好在顺序交互。为了探索不同的基于会话的推荐解决方案，Booking.com最近组织了WSDM WebTour 2021挑战赛，旨在对模型进行基准测试，以推荐旅行中的最终城市。这项研究提出了我们应对这一挑战的方法。我们进行了几个实验来测试推荐系统的不同最先进的深度学习架构。此外，我们还对神经专注推荐机（NARM）提出了一些修改，针对挑战目标调整了其架构，并实现了可用于任何基于会话的模型的训练方法，以提高准确性。我们的实验结果表明，改进的NARM优于所有其他国家的最先进的基准方法。
2021-03-07 cs.IR cs.LG
Hierarchical Temporal Convolutional Networks for Dynamic Recommender Systems
Stanford University（斯坦福大学）；Georgia Institute of Technology（佐治亚理工学院）；Pinterest
推荐系统可以从跨会话数据中学习，以动态预测用户将选择的下一个项目，这对在线平台至关重要。然而，现有的方法通常使用开箱即用的序列模型，其受到速度和内存消耗的限制，对于生产环境通常是不可行的，并且通常不包含对于有效推荐至关重要的跨会话信息。在这里，我们提出了分层时间卷积网络（HierTCN），这是一种分层深度学习架构，可以根据用户与项目的顺序多会话交互进行动态推荐。HierTCN专为具有数十亿项目和数亿用户的Web规模系统而设计。它由两个层次的模型组成：高级模型使用递归神经网络（RNN）来聚合用户在不同会话中不断发展的长期兴趣，而低级模型则使用时间卷积网络（TCN）来实现，利用会话中的长期兴趣和短期交互来预测下一次交互。我们在公共XING数据集和包含600万用户和16亿次交互的大规模Pinterest数据集上进行了广泛的实验。HierTCN比基于RNN的模型快2.5倍，与基于TCN的模型相比，使用的数据内存少90%。我们进一步开发了一个有效的数据缓存方案和一个基于GPU的小批量生成器，使我们的模型能够在24小时内在单个GPU上进行训练。我们的模型始终优于最先进的动态推荐方法，召回率提高了18%，平均倒数排名提高了10%。
2019-04-10 cs.IR cs.LG cs.SI
CHAMELEON: A Deep Learning Meta-Architecture for News Recommender Systems [Phd. Thesis]
ITA（巴西航空理工学院）；UFCG（巴西坎皮纳格兰德联邦大学）；UFMG（巴西米纳斯吉拉斯联邦大学）
推荐系统（RS）已经成为一个热门的研究课题，自2016年以来，深度学习方法和技术在这一领域得到了越来越多的探索。新闻RS旨在个性化用户体验，并帮助他们从一个庞大而动态的搜索空间中发现相关文章。这项研究的主要贡献被命名为CHAMELEON，这是一个深度学习元架构，旨在解决新闻推荐的特定挑战。它由一个模块化的参考架构组成，可以使用不同的神经构建块进行实例化。由于在新闻领域中关于用户过去交互的信息是稀缺的，因此可以利用用户上下文来处理用户冷启动问题。文章的内容对于解决项目冷启动问题也很重要。此外，在新闻领域中，项目（文章）相关性的时间衰减非常加速。此外，外部中断事件可能暂时吸引全球读者的注意力，这种现象通常被称为机器学习中的概念漂移。所有这些特点都明确建模本研究的上下文混合会话为基础的推荐方法，使用递归神经网络。本研究所解决的任务是基于会话的新闻推荐，即，仅使用当前用户会话中可用的信息进行下一次点击预测。提出了一种方法，为现实的时间离线评估这样的任务，重播流的用户点击和新鲜的文章被连续发布在新闻门户网站。两个大的数据集进行的实验表明，在许多质量因素，如准确性，项目覆盖率，新颖性，减少项目冷启动问题，与其他传统的和国家的最先进的会话为基础的推荐算法相比，CHAMELEON新闻推荐的有效性。
2019-12-29 cs.IR cs.LG stat.ML
Adapting Job Recommendations to User Preference Drift with Behavioral-Semantic Fusion Learning
City University of Hong Kong（香港城市大学）；BOSS Zhipin（BOSS直聘）；University of Science and Technology of China（中国科学技术大学）
针对用户求职偏好频繁漂移问题，本文提出基于会话的 BISTRO 框架，通过语义聚类、超图小波学习和自适应滤波融合行为与语义信息，实现个性化职位推荐。
2024-06-24 cs.AI cs.IR cs.LG
