studyless的博客

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

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。

前一阵子阅读了部分deep learning结合Collaborative filtering的工作，准备写一系列的阅读笔记，这是作为预热的第一篇，也是最easy的一篇，WWW 2015的poster，看起来很快。在传统的CF里，所用的信息即为所有用户历史的评分数据，按用户做行，item做列，可以得到一个rating matrix RR，其中Rij指useriuser_i对itemjitem_j的打