Attention-Based Transactional Context Embedding: Next-Item Recommendation Overview

基于注意力的交易上下文嵌入推荐

Abstract

当前多数基于事物的推荐系统在进行物品推荐时，主要关注近期出现的物品，而忽略了整体物品集合。此外，这些系统通常假定事务内部的物品存在固定顺序，然而这一假设在实际应用中并不合理。同时，较长的事务往往包含大量与后续选择无关的物品。鉴于此，作者提出了ATEM方法，旨在评估不同物品的重要性，并假设事务中的物品顺序是无序的。

Framework

ATEM

Item embedding

当上下文中的每个i被表示为one-hot向量时，可以通过将其与权重矩阵W相乘的方式完成对i的编码操作。由于i采用的是one-hot编码形式，因此与W相乘的结果实际上仅提取了W中的某一列数据。换句话说，得到的h_j即为W^i_{:,j}。

Transactional Context Embedding with Attention

注意力机制的计算方式如下：

![在这里插入图片描述](https://ad.itadn.com/c/weblog/blog-img/image