本文探讨了序列推荐系统中的挑战，提出了Sequential Hierarchical Attention Network（SHAN）来解决用户长期和短期偏好的动态变化问题。SHAN通过注意力机制结合长期和短期历史，形成用户综合表示，用于预测下一个购买项目。模型训练采用pair-wise方式，并优化损失函数。
一般地，在对user进行推荐时，会综合考虑user general taste（即long-term preference）和recent demand（即short-term preference）两个方面。但是现有工作忽略了一个问题，即user 的long-term preference是随时间变化的，所以为general taste学习一个static representation是不足以反应其动态变化的。因此，本文提出2-layer hierarchical attention network进行next item recommendation.
这里先对推荐问题进行分类，根据推荐结果可分为sequential recommender和general recommender
sequential recommender是时序问题，推荐结果是user 下一时刻可能会买的item；
general recommender不包含时序信息，推荐结果是user 下一时刻不一定会买而最终会买的item。
这篇论文要研究的是next item recommendation，是sequential RS。
一. 引言
sequential recommendation面临的challenge
a. 用户行为多为隐式反馈（implicit data）
b.数据产自于sessions or transactions，一个transaction包含一个至多个items，而transactions之间就形成了时序关系。数据如下图所示
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
