Neuronale aufmerksame sessionsbasierte Empfehlung

In E-Commerce-Szenarien, bei denen Benutzerprofile unsichtbar sind, wird eine sessionsbasierte Empfehlung vorgeschlagen, um Empfehlungsergebnisse aus kurzen Sitzungen zu generieren. Frühere Arbeiten betrachteten nur das sequentielle Verhalten des Benutzers in der aktuellen Sitzung, wobei das Hauptziel des Benutzers in dieser Sitzung nicht besonders hervorgehoben wurde. In diesem Artikel schlagen wir ein neues neuronales Netzwerkframework vor, nämlich die Neural Attentive Recommendation Machine (NARM), um dieses Problem anzugehen. Insbesondere untersuchen wir einen hybriden Encoder mit einem Aufmerksamkeitsmechanismus (Attention Mechanism), um das sequentielle Verhalten des Benutzers zu modellieren und dessen Hauptziel in der aktuellen Sitzung zu erfassen. Diese Aspekte werden anschließend als einheitliche Sitzungsrepräsentation kombiniert. Wir berechnen dann die Empfehlungswerte für jedes Kandidatenprodukt unter Verwendung eines bi-linearen Matching-Verfahrens auf Basis dieser einheitlichen Sitzungsrepräsentation. Die NARM wird durch gemeinsames Lernen der Produkt- und Sitzungsrepräsentationen sowie ihrer Matchings trainiert. Wir haben umfangreiche Experimente auf zwei Benchmark-Datensätzen durchgeführt. Unsere experimentellen Ergebnisse zeigen, dass NARM auf beiden Datensätzen den state-of-the-art-Baselines überlegen ist. Darüber hinaus stellen wir fest, dass NARM bei langen Sitzungen erhebliche Verbesserungen erzielt, was ihre Vorteile bei der gleichzeitigen Modellierung des sequentiellen Verhaltens und des Hauptzwecks des Benutzers unterstreicht.