[论文笔记] Session-aware Linear Item-Item Models for Session-based Recommendation

原文地址
Session-aware Linear Item-Item Models for Session-based Recommendation (arxiv.org)

https://github.com/jin530/SLIST

基于会话的推荐旨在根据会话中先前消费的物品的序列预测下一个物品，例如电子商务或多媒体流服务。 具体来说，会话数据表现出一些独特的特征，即会话一致性和会话内物品的顺序依赖性、重复的物品消费和会话时效性。 本文提出了简单而有效的线性模型来考虑会话的整体方面。具体来说：

1. 综合考虑了基于会话的推荐的各个方面；
2. 实现了可扩展性。

首先，设计了两个专注于会话不同属性的线性模型：

1. Session-aware Linear Item Similarity (SLIS) 模型旨在更好地处理会话一致性；
2. Session-aware Linear Item Transition (SLIT) 模型更关注顺序依赖。

对于 SLIS 和 SLIT，放宽合并重复项的约束，并引入了权重方案以考虑会话的及时性。 结合这两种类型的模型，提出了一个统一的模型，即会话感知物品相似性/转换（SLIST）模型，这是一种全面覆盖会话各种属性的通用解决方案。

1. 基本定义

1.1 Linear item-item models

给定两个矩阵$X$和$Y$，线性模型是用一个物品到物品的相似度矩阵$B\in R^{n\times n}$来制定的：

$B$将$X$中之前消费过的物品映射到$Y$中接下来观察到的物品中。该线性模型的典型目标函数是通过最小化普通最小二乘法 (OLS) 的岭回归公式化的。

其中 𝜆 是正则项，$||\cdot |{|}_F$​表示 Frobenius 范数。

在传统的推荐中，每个用户被表示为所有消费物品的集合，没有会话的概念，X 和 Y 被视为相同的矩阵。SLIM 强制 B 中的所有条目都为非负且对角线元素为零。

最近，$EAS{E}^{}$