Bundle Recommendation 入门
Bundle Recommendation
Matching User with Item Set: Collaborative Bundle Recommendation with Deep Attention Network
Liang Chen, Yang Liu, Xiangnan He, Lianli Gao and Zibin Zheng
IJCAI 19
挑战:
- bundle是item集合,不能按照普通item来处理
- User-Bundle的交互会更加稀疏
解决办法:
- 聚合item的embedding 来得到bundle的embedding
- 多任务的方式共享底层网络,集成User-item交互中的协同信号用于User-Bundle推荐。
模型设计:
Bundle embedding生成:
中间这个部分是对注意力做一个归一化,用来抵消不同Bundle可能有不同数量的item造成的影响,保证不管bundle含有多少item,最后的embedding数值不会有过大差异。
整体思路为Bundle的embedding等于各个item的embedding*注意力权重的和。
a(i,j):User对item的注意力
是类似矩阵分解的方法计算得到的
aj为item的注意力嵌入
Bundle Recommendation with Graph Convolutional Networks
Jianxin Chang, Chen Gao, Xiangnan He, Yong Li, Depeng Jin
切入点:
- User和Bundle的层级关系没有显示建模
- Bundle和Bundle的关系没有考虑
- User会因为一个不喜欢的Item而拒绝Bundle,所以两个Bundle直接的差异是交互的关键
解决办法:
- 显示建模User item Bundle的关系
- 利用图上bundle-item-bundle的源路径,表示bundle和bundle之间的关系
- training with hard-negative samples 探索bundle之间的差异
模型设计:
异构图构造
三种节点两种边
User item bundle 节点
User-item交互边, item-bundle交互边
两个level的embedding传播
item level
类似传统User-item模型,用邻居信息和自身旧信息 更新自身
最后聚合item来表示bundle
Bundle level
User 是通过自身和邻居信息更新
Bundle还利用Mb 加入了 bundle-item-bundle路径中其他bundle的item重叠性信息,便于学到更精细的嵌入,解决切入点3
预测打分
类似NGCF把多次传播后得到的embeddings拼接在一起
用两个level内积之和来生成最后的预测打分。
优化方法:
hard-negative samples
模型大致收敛后,专门学习用户跟大多数item有交互,但是没有跟bundle交互的样本以及和正样本重叠度高的负样本。
Bundle Recommendation认识
数据稀疏:User-Bundle交互数据很少
解决办法:和交互多的User-item共享权重 / 合理选择采样手法来深入学习稀疏的交互
User-Item-Bundle三者关系表示
DAM 分开考虑 User-item User-bundle Bundle-item
BGCN 用异构图整合三种节点
Bundle嵌入的学习策略
DAM设计注意力机制,把item整合成bundle嵌入
BGCN 有两套学习路线:整合item 和 从Bundle的邻居中学习
Bundle Recommendation 入门相关推荐
- Personalized Bundle Recommendation in Online Games 阅读笔记
Personalized Bundle Recommendation in Online Games 阅读笔记 CIKM 2020 Qilin Deng, Kai Wang, Minghao Zhao ...
- Android App Bundle基础入门
一.前言 重要提示:从 2021 年 8 月起,新应用需要使用 Android App Bundle 才能在 Google Play 中发布.现在,Play Feature Delivery 或 Pl ...
- 一文了解推荐系统中的图神经网络
来源:RUC AI Box本文约4600字,建议阅读9分钟 本文主要介绍推荐系统中的图神经网络,欢迎交流探讨! [ 引言 ]近年来,GNN技术由于其在图数据学习方面的出色表现,在许多领域得到了广泛的应 ...
- 【推荐系统】AAAI2022推荐系统论文集锦
2022年第36届人工智能顶级会议AAAI论文列表已经放出,此次会议共收到9251篇论文提交,其中9020篇论文被审稿.最终录取篇数为1349篇,录取率为可怜的15%.由于境外疫情形势依然严峻,大会将 ...
- 大三本科生获最佳短论文奖,清华大学狂揽信息检索顶会SIGIR 2020多个奖项
机器之心报道 编辑:魔王.杜伟.小舟 第 43 届国际计算机协会信息检索大会(ACM SIGIR)于本月 25 日举行.昨日,大会公布了最佳论文等奖项.来自清华大学的研究人员获得最佳论文荣誉提名奖.最 ...
- SIGIR|乘风破浪的AI华人学者们
这个夏天,你是否已经在 CVPR, ICLR, ICML 等众多舞台上领略了人工智能领域内华人学者们的出色研究,为自己钟爱的论文疯狂打着Call?乘风破浪的AI华人学者们,你pick谁呢? 不过,精彩 ...
- 从信息检索顶会CIKM'20看搜索、推荐与计算广告新进展
文 | 谷育龙Eric 源 | 搜索推荐广告排序艺术 我是谷育龙Eric,研究方向有深度学习.搜索推荐,喜欢为大家分享深度学习在搜索推荐广告排序应用的文章.CIKM作为信息检索.数据挖掘等领域的国际一 ...
- 上百篇论文概览『负采样方法』的前世今生
Efficient and Effective: 百篇论文概览负采样方法的前世今生 © 作者|徐澜玲 研究方向|推荐系统 引言:负采样方法最初是被用于加速 Skip-Gram 模型的训练,后来被广泛应 ...
- RecSys‘22 推荐系统论文梳理
2022推荐系统论文梳理系列 推荐系统相关顶会整理 IJCAI'22 推荐系统论文梳理 ICML/ICLR'22 推荐系统论文梳理 WWW'22 推荐系统论文之序列推荐篇 WWW'22 推荐系统论文之 ...
最新文章
- IJCAI 2019精选论文一览,从底层到应用都有了
- Centos nginx 安装 源码方式安装
- 【Python】编程笔记4
- Sentinel(十五)之在生产环境中使用 Sentinel
- Linux内核访问外设I/O--动态映射(ioremap)和静态映射(map_desc) (转载)
- java设计模式并发_[高并发Java 七] 并发设计模式
- 游戏巨头齐聚 Unite Shanghai 2019,揭秘爆款游戏制作精彩亮点!
- SpringAOP之@EnableAspectJAutoProxy如何实现自动代理?
- 计算机二级Python公共基础部分
- ALSA音频框架理解:machine
- QT画贝塞尔曲线 和 曲线与斜率、一阶导数 、二阶导数的关系
- 延安干部学院:陕北这处逆天美景不输美国“羚羊谷”
- 如何站在巨人的肩膀上学习
- 自己动手实现简易光线追踪算法
- 如何通过linux的终端命令远程登陆windows主机
- 破解虚拟机ESXi服务器密码,esxi虚机Windows server 2012忘记密码解决办法
- 多种消息提醒系统的设计模式、实现方案(附功能截图+表结构)
- mysql远程连接3306不通问题
- java 删除 指定图片_java删除服务器上指定图片
- 百事可乐大玩黑罐只换不卖