weixin_63551790的博客

一般来说，用户在不同应用中会针对提供的选项产生各种动作。例如，在亚马逊平台上，“动作” 可能指购买某件商品，而 “选择” 则是所有可用商品。以豆瓣为例，“动作” 可能特指对某部作品的评论，而该作品本身属于可选 “选择” 之一。具体而言，设和分别表示个体在源域 s 和目标域 t 中观察到的具体动作。进一步地，和分别表示从源域和目标域的特定可选集合中选取的选项，其中和分别代表源域第 i 个选项和目标域第 j 个选项。注意，和分别为源域和目标域的选项数量。

本文针对推荐系统中的数据稀疏性和冷启动问题，提出了一种跨域序列推荐模型——序列补全长短期记忆网络（SCLSTM）。该模型通过两种序列补全方法来解决序列数据处理的挑战：一是利用用户和项目的固有特征及用户行为的时间特征建立相似性度量；二是通过改进长短期记忆网络（LSTM）实现序列补全。文章首先定义了序列补全的概念，并详细描述了基于相似性度量的SCLSTM模型，包括评分、特征和时间相似性度量的计算方法。接着，文章介绍了基于改进LSTM的SCLSTM模型，通过添加输入逻辑单元实现序列补全。最后，文章总结了SCLST

提出了一种名为 MAN 的全新解决方案，它包含局部和全局模块，融合了三种注意力网络，并在群组层面进行信息传递。首先是局部 / 全局编码层，它从特定领域和跨领域的视角捕捉序列模式。其次，我们进一步提出了物品相似性注意力机制，用于捕捉局部 / 全局物品嵌入与目标物品嵌入之间的相似性；序列融合注意力机制，用于融合全局编码器和局部编码器的序列模式；以及组原型注意力机制，通过多个组原型在不依赖用户 ID 的情况下隐式共享用户的序列行为。最后，我们提出了局部 / 全局预测层，以拓展特定领域和跨领域的用户兴趣。

研究背景是多个用户共享同一个账户（即他们拥有共享账户），并且用户行为数据来自多个领域（即推荐是跨领域的）。这两个特点给传统序列推荐任务带来了新的挑战。第一，我们需要识别同一账户下不同用户和不同用户角色的行为，以便在正确的时间向正确的用户角色推荐合适的物品。第二，我们需要识别某个领域中的行为，这些行为可能有助于提升其他领域的推荐效果。

DA-GCN 试图学习一种基于图的推荐框架，该框架可以通过递归地聚合来自不同领域的局部图邻居的特征，对多种关联和具有结构感知的领域知识进行建模，从而更好地捕捉共享账户中多样化的用户偏好。具体来说，为了对用户和物品之间复杂的关联进行建模，首先构建一个跨域序列（CDS）图。该图考虑了四种类型的关联：a）领域 A 中的用户 - 物品交互；b）领域 B 中的用户 - 物品交互；c）领域 A 中物品之间的顺序转换；d）领域 B 中物品之间的顺序转换。

我们将来自共享账户的跨域行为序列（例如，观看视频、听音乐）表示为其中是领域A中一个已消费物品的索引；A是领域A中所有物品的集合；是领域B中一个已消费物品的索引；B是领域B中所有物品的集合。给定S，共享账户跨域序列推荐（SCSR）通过分别计算两个领域中所有候选物品的推荐概率来预测下一个物品：其中，表示推荐物品（该物品将在领域A中被下一个消费）的概率。此外，是用于估计的模型或函数。和的定义与之类似。共享账户跨域序列推荐（SCSR）与传统序列推荐（SR）主要有两点不同。

单域场景下基于隐式反馈的序列推荐问题。设和分别表示用户集和物品集，其中和是用户和物品的总数。对于每个用户，其与物品的交互按时间顺序表示为，其中是行为序列的长度。正式地说，给定一个用户，序列推荐旨在根据其过去的行为序列，预测该用户在下一步最有可能交互的下一个物品，这可以形式化为对所有物品的概率建模：在跨域场景中，为了提高推荐性能，还会考虑来自其他域的用户信息。具体来说，对于两个域A和B，给定一个在两个域中都出现的重叠用户。

基于会话的推荐旨在仅依据用户当前的交互序列，预测用户接下来想要点击的物品。在本文中，我们提出了一种基于图神经网络的图上下文自注意力网络（GC-SAN），用于基于会话的推荐。具体而言，我们首先从匿名会话记录中构建有向图，然后应用图神经网络为所有物品生成新的潜在向量，这些向量包含了序列的局部上下文信息。接下来，我们使用自注意力网络捕捉远距离位置之间的全局依赖关系。最后，我们将局部短期动态（即最后点击的物品）和全局自注意力依赖关系以线性方式结合起来，以表示会话序列。

背景和挑战利用神经网络研究跨域推荐的知识迁移学习的相关工作很少。本文探索如何将神经网络作为每个域的基础模型，并实现跨域的整个网络上的知识迁移。1）对于每个域，在这些单独的网络之间要迁移 / 共享什么？2）在每个域的这些单独网络的学习过程中，如何进行迁移 / 共享？3）与单域神经学习和浅层跨域模型相比，性能如何？通常的迁移学习方法是先训练一个基础网络，然后将其前几层复制到目标网络的相应前几层，并进行微调或冻结参数。存在两个弱点。首先，，因为我们发现它在真实的跨域数据集上效果不佳。其次，

嵌入层嵌入层首先构建一个可学习的物品嵌入矩阵（针对源域物品），，其中d是潜在嵌入维度，l表示源域物品的总数。每个用户u的输入由m个物品组成的序列，可以使用嵌入矩阵来表示。为了让自注意力层能够追踪序列中物品的时间顺序，将一个位置嵌入层加上source domain的序列。自注意力层其中Q、K、V分别代表每个物品的查询、键和值的表示。查询和键表示之间的内积要除以进行缩放，以避免因高维度而可能产生的较大数值。更具体地说，在SASRec模型中，一个物品的查询、键和值的表示是通过将嵌入矩阵。

定义：在大数据和人工智能时代，智能推荐系统和技术已经成为电商、 资讯、娱乐、教育、旅游和招聘等众多在线服务平台的核心技术、标准配置和重要引擎，用于帮助用户从海量物品中快速地找到他们感兴趣的物品（例如商品、新闻、视频、课程、景点和岗位等），特别是用户不容易发现的长尾物品（tail items），有效地缓解了信息过载（information overload）问题。

序列动态推荐希望可以关注“上下文”信息。目前出现了马尔科夫链（MC）和循环神经网络（RNN）两种方法。马尔科夫链假设用户的下一个动作可以根据最后几个动作来预测，而RNN原则上允许发现更长期的语义。MC适合要求模型简约的极其稀疏的数据集。而RNN适合模型复杂且密集的数据集。

The order of interaction implies that sequential patterns play an important role where more recent items in a sequence have a larger impact on the next item.交互序列发挥重要作用，其中序列中较新的项目对下一个项目有更大影响。