《Improved Recurrent Neural Networks for Session-based Recommendations》 DLRS 2016 阅读笔记

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。

直接先上文中使用的模型图。相比上一篇文章，整个模型只有一处不同：
1. output Layer是直接预估newsid的embedding向量。

然而，文中在RNN基础上使用了多项优化技巧，这是本文的重点:

1) Data augmentation: 俗称数据变换，通过人工的方式从现有样本中制造出新的样本。文中使用了两种策略：(1) 对于给定的一条原始点击序列，将所有可能的前缀序列均做为一条新的训练样本。比如针对现有原始序列$x_1,x_2,x_3...,x_n$，生成$(x_1,V(x_2))$,