Collaborative Self-Attention Networks for Session-Based Recommendations (IJCAI-20)

摘要

基于会话的推荐系统因其能够为匿名用户生成个性化推荐而受到广泛关注。然而，当前基于会话的推荐方法存在若干不足之处：（1）这些方法要么难以捕捉复杂的项目间依赖关系，要么仅关注当前会话内容，未充分纳入协作信息。（2）它们通常假定商品的表示是固定不变的，并且在每个时间步对所有用户均保持一致。我们认为，即使是相同的商品，在不同用户在同一时间步下也可能呈现出不同的表示形式。针对上述问题，我们提出了一种新的协作式自我注意网络（CoSAN），旨在改进基于会话的推荐效果，通过学习会话表示并结合邻居会话信息来预测当前用户的意图。具体而言，我们首先通过整合从当前会话中每个项目所检索到的邻近会话嵌入，构建出协作项目表示。随后，采用自我注意力机制来建模协作项目之间的长距离依赖关系，并生成相应的协作会话表示。最终，将协作会话表示与当前会话嵌入进行拼接以表征整个会话内容。在两个真实世界数据集上的广泛实验结果表明，CoSAN在性能方面持续优于现有最先进的方法。

介绍

当前研究将用户会话中的连续点击行为视为一个序列，并借助神经网络对整个行为序列进行建模。例如，GRU4Rec[Hidasiet al.，2016]在基于会话的推荐系统中引入了递归神经网络（RNN），并将其视为时间序列预测问题。随着深度学习技术在多个研究方向取得显著进展，越来越多的模型开始关注会话的核心目标[Liet al