【序列推荐、长短期兴趣、】 CaFe：Coarse-to-Fine Sparse Sequential Recommendation(从粗粒度到细粒度的稀疏序列推荐)

#论文题目：Coarse-to-Fine Sparse Sequential Recommendation（CaFe：从粗粒度到细粒度的稀疏序列推荐）
#论文地址：https://arxiv.org/pdf/2204.01839.pdf
#论文源码开源地址：暂无
#论文所属会议：SIGIR’22
#论文所属单位：Amazon

一、创新点

本文是一篇针对序列推荐的短文，主要想解决的问题是现阶段提出的采用自注意力机制的算法无法很好的应对稀疏矩阵，进而无法很好的对稀疏数据集提供准确性保障。本文提出从粗粒度到细粒度的自注意力方法CaFe。该方法同时从购物意图和交互商品中对用户动态性进行建模，进而显示的从粗粒度到细粒度两个方面学习序列中的蕴含的信息。

意图序列关注的是用户关注的商品中的长期兴趣偏好，商品序列则重点关注用户短期的偏好。

• CaFe从粗粒度的序列中学习用户的意图信息，进而提供高质量的用户意图表征。
• CaFe将意图表征融合到商品编码器输出中，提升商品表征性。
• CaFe结合两种表征进行后续商品的预测交互并得到用户接下来的动机。

二、导读

2.1 问题定义

给定商品集合$V$，意图集合$C$，$|C|$<<$|V|$，用户集合$U$，交互序列集合为$S$={S₁, S₂, …, S_|U|}。每一个v∈$V$，都有一个c∈$C$与之相对应。用户的交互数据表示为S_u={s₁^u, …, s_|Su|}，其中，s_i^u=(v_i^u, c_i^u)。给定交互序列，我们想要预测v_|Su|+1^u。

2.2 自注意力推荐

本文采用的总体框架为SASRec，即给定近期用户和商品的交互序列，采用自注意力机制来挖掘用户行为序列的关系。这里对SASRec做简要的介绍，详细可以点击链接或阅读文章的第2节。

• Embedding层：Embedding层对交互序列中的商品进行编码，结合对应位置的embedding构成最终的序列embedding；