《session-based recommendations with recurrent neural networks》ICLR 2016 阅读笔记

最新推荐文章于 2023-01-09 10:33:27 发布
原创 最新推荐文章于 2023-01-09 10:33:27 发布 · 2.9k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#推荐-RNN-GRU

文章简介: 该文提出了利用RNN建模一个session间用户的点击序列。该方法完全利用用户在当前session里的反馈去做推荐，相比原依赖用户历史记录的推荐能在解决冷启动问题上更为简洁有效。

  • 模型

文中提出的模型如下图所示:
Input层是对所有item做的one-hot encoding, 接下来是一层embedding层，再往下是一层或多层RNN模型，再往下是一个feedforward层，然后接到output，是一个维数等于item数量的向量，其中各元素为各item的打分。

这里写图片描述

文中选用的loss function有两种：
一种是BPR: Bayesian Personalized Ranking, 是一种pairwise ranking loss.

Ls=−1NS∑j=1Nslog(σ(
最低0.47元/天 解锁文章

200万优质内容无限畅学
推荐系统遇上深度学习(四十)-SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS
abcdefg90876的博客
04-29 1346
好啦，是时候继续我们推荐系统的学习了，从本篇开始，我们来一起了解一下Session-Based Recommendation。今天，我们介绍的文章题目为《SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS》，通过循环神经网络来进行会话推荐。论文下载地址为：http://arxiv.org...
Session-based Recommendations with Recurrent Neural Networks
D_feather的博客
03-27 490
Abstract 我们将RNN使用在了一个新的领域——推荐系统。现实的推荐系统经常面对短对话数据（例如体育服装店）而不是充足的用户使用记录（例如Netflix)。在这种情况下，经常被称赞的矩阵分解的方法不在准确。这个问题在实践中经常使用基于物品的推荐来解决。例如，推荐相似物品。我们认为通过对整个会话进行建模可以给出更加准确的建议。因此，我们提出了一种基于会话的RNN推荐方法。我们的方法同样被认为在...
Session-based recommendations with recurrent neural networks（阅读理解）
u014029197的博客
06-08 3192
本文是最大贡献在于第一次将RNN使用到Session-based Recommendation中作者将用户的行为作为看做是序列问题，有效的将时间信息添加到网络中，在传统的两类推荐方法中——基于内容的推荐算法和协同过滤推荐算法（model-based、memory-based）在刻画序列数据中存在缺陷：每个item相互独立，不能建模item的连续偏好信息，缺失了整个序列的休息。而本文的方法恰好运用到...
论文笔记：session-based recommendations with recurrent neural networks
chris_xy的博客
09-24 4589
占坑中。。。。。。。。。。。。。。作者尝试了 常见的 point-wise rank loss，即认为负样本为 0， 正样本为 1 的loss function，发现训练出来的模型并不稳定，原因可能因为在推荐里面，并不存在绝对的正样本和负样本。在同一个情景里面，用户只能点击一个最偏好的item，对其他item可能也存在偏好，这并不是一个非黑即白的classification问题。然后作者尝试了 pa
Session-based Recommendations with Recurrent Neural Networks.pdf
05-30
Session-based recommendation is a relatively unappreciated problem in the machine learning and recommender systems community.
《论文阅读》SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS
qq_43238825的博客
11-27 1457
《SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS》阅读笔记
SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS.pdf
05-16
本文讨论了一种基于会话的推荐系统方法，该方法利用循环神经网络（Recurrent Neural Networks, RNN）来处理推荐系统中的短期行为数据。推荐系统是电子商务、社交媒体、新闻网站等领域的重要组成部分，它们旨在为用户...
论文阅读笔记一：SESSION-BASED RECOMMENDATIONS WITHRECURRENT NEURAL NETWORKS
m0_64290725的博客
07-23 1210
论文阅读笔记一：SESSION-BASED RECOMMENDATIONS WITHRECURRENT NEURAL NETWORKS，基于RNN的会话推荐。
《Improved Recurrent Neural Networks for Session-based Recommendations》 DLRS 2016 阅读笔记
studyless的博客
03-06 2658
简介：和上一篇介绍的ICLR 2016文章所要解决的问题一致，即利用session内用户的点击序列去预测用户下一次点击的item。方法也运用的RNN，但是更多在于引入了一些优化方法，如data augmentation, model pretrain, generalized distillation ( use of privileged information) 等。
SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS
武文杰的博客
08-27 556
文章目录1. RELATED WORK1.1 item-to-item1.2 deep learning2. RECOMMENDATIONS WITH RNNS3. CUSTOMIZING THE GRU MODEL3.1 SESSION-PARALLEL MINI-BATCHES 这是一篇发表在2016年ICLR上的文章，用RNN应用在推荐系统中，输入session中现在的行为序列，预测下一个可能的行为。适用于用户信息较少的场景（missing the user profile） 1. RELATED
2016-Session based Recommendations with Recurrent Neural Networks.pdf
06-11
Session based Recommendations with Recurrent Neural Networks
Improved Recurrent Neural Networks for Session-based Recommendations.pdf
06-11
Improved Recurrent Neural Networks for Session-based Recommendations
【推荐算法论文阅读】Session-based recommendations with recurrent neural networks
qq_36643449的博客
01-06 1438
一、背景 基于会话的推荐方法，主要有基于物品的协同过滤和基于马尔可夫决策过程的方法。 基于物品的协同过滤，需要维护一张物品的相似度矩阵，当用户在一个session中点击了某一个物品时，基于相似度矩阵得到相似的物品推荐给用户。这种方法简单有效，并被广泛应用，但是这种方法只把用户上一次的点击考虑进去，而没有把前面多次的点击都考虑进去。 基于马尔可夫决策过程的推荐方法，也就是强化学习方法，其主要学习的是状态转移概率，即点击了物品A之后，下一次点击的物品是B的概率，并基于这个状态转移概率进行推荐。这样的缺陷主要是随
SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS论文解读
SCS199411的博客
06-09 756
SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS ICLR2016 首先介绍下session-based 的概念：session是服务器端用来记录识别用户的一种机制. 典型的场景比如购物车，服务端为特定的对象创建了特定的Session，用于标识这个对象，并且跟踪用户的浏览点击行为。我们这里可以将其理解为具有时序关系的一些记...
推荐系统遇上深度学习(四十一)-Improved Recurrent Neural Networks for Session-based Recommendations...
abcdefg90876的博客
05-02 819
本文论文的题目是《Improved Recurrent Neural Networks for Session-based Recommendations》 论文下载地址为：https://arxiv.org/abs/1606.08117 本文仍然使用RNN做基于会话的推荐，但在此基础上，提出了几种提升预测效果的方法，我们一起来学习一下吧。 1、基础模型 ...
【序列推荐、图神经网络】SR-GNN：Session-based Recommendation with Graph Neural Networks
CRW__DREAM的博客
01-09 1705
本文提出SR-GNN模型，首先将用户序列行为分别构图，之后使用GNN方法得到图中每个item的向量表示，定义短期和长期兴趣向量得到用户兴趣向量：短期兴趣向量为用户序列中最后点击的item的向量；长期兴趣向量采用广义注意力机制将最后一个item与序列中所有item相结合。最后使用传统二分类方法进行推荐。
【预测模型】基于贝叶斯优化的LSTM模型实现数据预测matlab源码
m0_60703264的博客
10-10 6629
1 算法介绍 1.1 LSTM 人类并不是每时每刻都从一片空白的大脑开始他们的思考。在你阅读这篇文章时候，你都是基于自己已经拥有的对先前所见词的理解来推断当前词的真实含义。我们不会将所有的东西都全部丢弃，然后用空白的大脑进行思考。我们的思想拥有持久性。 传统的神经网络并不能做到这点，看起来也像是一种巨大的弊端。例如，假设你希望对电影中的每个时间点的时间类型进行分类。传统的神经网络应该很难来处理这个问题——使用电影中先前的事件推断后续的事件。 RNN 解决了这个问题。RNN 是包含循环的网络，允许信息的.
Graph Neural Networks for Social Recommendation翻译
最新发布
03-31
### Graph Neural Networks in Social Recommendation Graph Neural Networks (GNNs) 的英文翻译为 **Graph Neural Networks**，而其在社交推荐中的应用可以描述为 **Application of Graph Neural Networks in Social Recommendations** 或者更具体的表述如 **Social Recommendation using Graph Neural Networks**。 #### 背景介绍 社交推荐系统利用用户之间的社会关系以及物品间的关联信息来提升推荐质量。由于图神经网络能够有效处理复杂的图结构数据并从中学习高阶特征[^1]，因此 GNN 已成为该领域的重要工具之一。具体来说，在社交推荐场景下，用户的交互行为和社会联系可以通过图的形式建模，其中节点代表用户或项目，边则表示两者间的关系或互动强度[^3]。 #### 应用方式 一种典型的应用方法是构建包含用户-项目二分图的社会感知推荐框架，并在此基础上引入基于消息传递机制的消息传播算法以捕捉隐含模式[^4]。此外，考虑到实际应用场景中可能存在动态变化的情况（比如新增好友或者兴趣转移），部分研究还探索了如何结合时间维度的信息来进行更加精准的预测[^5]。 以下是实现这一过程的一个简单伪代码示例： ```python import torch from torch_geometric.nn import GCNConv class SocialRecommendationModel(torch.nn.Module): def __init__(self, num_user_features, num_item_features, hidden_channels): super(SocialRecommendationModel, self).__init__() self.conv1 = GCNConv(num_user_features + num_item_features, hidden_channels) self.conv2 = GCNConv(hidden_channels, 1) def forward(self, data): x, edge_index = data.x, data.edge_index x = self.conv1(x, edge_index) x = torch.relu(x) x = self.conv2(x, edge_index) return torch.sigmoid(x).squeeze() ``` 此段代码定义了一个基础版本的用于社交推荐任务的两层图卷积网络模型(GCN)，它接收融合后的用户和项目的特征作为输入，并最终输出每一对可能存在的链接概率值。 #### 总结 综上所述，借助于强大的表达能力和灵活性，图神经网络正在推动着社交推荐技术向着更高水平迈进。未来随着理论和技术的发展，相信会有更多创新性的解决方案被提出。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值