LCDM--商品潜在互补性发现模型
LCDM :商品潜在互补性发现模型
1 INTRODUCTION (介绍)
融合需求交叉弹性理论挖掘商品的互补关系,融合商品潜在互补性发现的个性化推荐方法。
需求交叉弹性描述的是两个商品价格与需求量变化的联系。
需求交叉弹性的定义:
EAB为商品A相对于商品B的需求交叉弹性,Qda为商品A的需求量, ∆Qda为为商品A的需求变化量,Pb为商品B的价格,∆Pb为商品B的价格变化量。使用弧弹性计算公式计算Eab:
QdA1为商品A开始时的需求量,QdA2为为商品A结束时的需求量,PB1为商品B开始时的价格,PB2为商品B结束时的价格。计算结果为正,说明一种商品价格上升会带来另一种商品的需求量上升(两种商品为替代品);结果为负,说明一种商品价格上升会带来另一种商品的需求量下降(两种商品为互补品)。EAB越大,商品B对A的替代性越强。
这种基于需求交叉弹性理论的互补品计算方法名为潜在互补品发现算法(CDM)。
3融合互补品关系的双重注意力机制推荐模型
输入:用户集合U,商品集合v,订单集合不用户和商品交互的关系&用户和订单的交互关系x,商品与订单的关系丫以及商品与商品的互补关系乙
输出:针对每个用户屿的个性化排序结果·
3· 1潜在互补性发现模型概述
LCDM是一个端到端的深度学习模型,特点在于融合了商品之间的互补关系、商品订单信息,同时加入了双重注意力机制.模型主要分为用户和商品两大模块,然后通过成对学习的训练方法学习能够最佳区分正例和负例商品的参数.
3·2候选商品的多粒度特征提取
3.2.1商品互补关系的融合
为了降低数据稀疏性和噪声的影响,我们先对数据进行了预处理·首先,为了避免冷启动商品影响推荐结果,我们保留了最少被M次购买的商品·其次,在计算互补品时我们只保留最少被共同购买过次的商品,因为一方面存在互补关系的商品更倾向于被共同购买或使用,另外一方面也可以减少其他因素带来的随机性.在筛选过后,利用互补性发现算法CDM对每一个候选目标商品计算其与其他商品的需求交叉弹性,并且取值最小的k个商品作为与该商品具有互补关系的商品集合垮每一个商品我们用一个d维的隐向量加以表示(该向量将在模型训练时学习更新).为了进一步考虑不同互补商品造成的影响程度,本文加入了注意力机制,学习每一个互补商品特征的权重,计算公式如下:
其中,
Wr1∈Rd,Wr2∈Rd,br∈Rk,hr∈RkWr1∈R^d,Wr2∈R^d,br∈R^k,hr∈R^k Wr1∈Rd,Wr2∈Rd,br∈Rk,hr∈Rk
是注意力模型的参数.为了得到商品互补品的特征,最后得出的商品注意力会被指数函数归一化(softmax)即
得到注意力网络的权重后,本文通过加权求和计算出当前待推荐商品互补品的特征向量力,并在对商品推荐时加以使用,计算公式如下:
3.2.2 商品所在订单特征
在实际购物场景中,同一个订单的商品整体更可能反映用户的单一购买意愿,例如在准备火锅的时候,订单大部分以新鲜的蔬菜、鲜肉、丸子、火锅汤料和饮料等等有互补功能的商品组合为主·基于这一考虑,本文也将为每一个订单学习一个d维的隐向量,然后同样使用注意力网络学习所在订单里哪些更能反映待推荐商品的功能,计算公式如下:
其中,
Wt1∈Rd,Wt2∈Rd,br∈Rk,hr∈RkWt1∈R^d,Wt2∈R^d,br∈R^k,hr∈R^k Wt1∈Rd,Wt2∈Rd,br∈Rk,hr∈Rk
是订单注意力机制的参数.最后的输出会被指数函数归一化
加权求和计算推荐商品曾出现的订单特征qij,公式如下:
Ti是包含商品j的订单集合。
3.2.3 商品基本特征
我们为每个商品丿学习一个d维的隐向量与作为商品的基本特征.在推荐中我们会将它与互补商品的特征向量和商品所在订单的特征向量相加,从而得到最终商品的表示向量Vj.
3.3 用户的长短期偏好建模
3.3.1 用户长期基本特征
我们为每位用户学习一个d维的隐向量,作为用户的基本特征ui.
3.3.2 用户短期购买历史
为了考虑用户的短期购买需求,本文在模型中考虑了每一个用户最近期购买的Y个商品,每个商品用d维的隐向量表达拼接成矩阵,之后将该矩阵输入到卷积神经网络(CNN)中将其压缩学习成一个短期兴趣向量,然后再和用户的基本特征(用户长期偏好)进行求和,得到最终的用户表示向量ui.
3·4模型训练
我们使用用户向量与商品向量点积的方式预测用户对该商品的评分:
本文采用了成对的训练方法,故此我们按照上述方法分别得到正例商品(被用户购买过的商品)以及被随机负采样的负例商品(没有被用户购买过的商品)的评分输出油于训练目标是希望正例商品的得分应该尽可能地比负例商品的得分要高,因此目标函数如下:
score j : 正例商品的最终分数
score b : 负例商品的最终分数.
使用Adam算法对二者进行优化.
LCDM--商品潜在互补性发现模型相关推荐
- CVPR 2022 | 模型难复现不一定是作者的错,最新研究发现模型架构要背锅
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 丰色 发自 凹非寺 量子位 | 公众号 QbitAI 在不同初始化条 ...
- (附链接)CVPR 2022 | 模型难复现不一定是作者的错,最新研究发现模型架构要背锅...
编者荐语 在不同初始化条件下,同一神经网络经过两次训练可以得到相同的结果吗? 转载自丨量子位 CVPR 2022的一篇研究通过将决策边界 (Decision Boundary)可视化的方法,给出了答案 ...
- 模型难复现不一定是作者的错,最新研究发现模型架构要背锅丨CVPR 2022
丰色 发自 凹非寺 量子位 | 公众号 QbitAI 在不同初始化条件下,同一神经网络经过两次训练可以得到相同的结果吗? CVPR 2022的一篇研究通过将决策边界 (Decision Boundar ...
- Flutter-防京东商城项目-创建商品数据模型 、请求Api接口渲染热门商品 推荐商品 获取数据然后模型赋值-06
一直觉得自己写的不是技术,而是情怀,一个个的教程是自己这一路走来的痕迹.靠专业技能的成功是最具可复制性的,希望我的这条路能让你们少走弯路,希望我能帮你们抹去知识的蒙尘,希望我能帮你们理清知识的脉络,希 ...
- python商品会员打折_双十一商品优惠打折,用Python爬取商品信息分析发现这里套路真深...
咱们今天就以京东笔记本电脑为例分析一下 首先咱们针对京东商城笔记本的网页进行分析,这回只要在网页源码上分析,就可以获取笔记本价格.标题.评论数.商家名称.商家性质. 想要学习Python.关注小编,私 ...
- 数学建模--医疗保险欺诈的发现--模型:评价类的数学模型和多元统计模型--方法:”改进的”主成分分析,聚类分析,判别分析,相关分析...
东北三省数学建模竞赛,省一等奖,我主要负责模型的建立和求解.版权所有,转载请注明出处. A题:医保欺诈行为的主动发现 摘 要 针对近年来中国医保制度的完善,医保医疗保险基金积累,在享受医疗保险的过程 ...
- 【信息检索】文档评分和概率检索模型
(1). 用Java语言或其他常用语言计算附件"HW4_1.txt"中的80个英文文档(每行表示一个document,文档编号1~80)两两之间的相似度值,并据此为每个文档返回相似 ...
- 研究人员发现:基于文本的AI模型容易受到改述攻击
由于自然语言处理(NLP)的进步,越来越多的公司和组织开始利用AI算法来执行与文本相关的任务,例如:过滤垃圾邮件.分析社交媒体帖子和评论.评估简历以及检测假新闻. 但是,真的可以相信这些算法能够可靠地 ...
- 我在谷歌实习时发现了一个模型 bug,于是有了这篇 ACL
点击上方"AI遇见机器学习",选择"星标"公众号 重磅干货,第一时间送达 文 | AlbertYang 编 | 小轶 表格的自动理解与检索已经成为 NLP 以及 ...
最新文章
- JS实现每隔几个字符添加字符(串):实现每间隔10个字就换行一次,多用于echarts横坐标的显示文本拥挤换行;实现间隔8个字符就添加❤❤
- slate-angular 正式开源
- restful风格案例
- linux分配内核,linux 内核分配算法
- django 中的用户身份验证和 session 的关系
- ubuntu 下 使用vmware 虚拟xp 声卡没声音 解决
- PHP 中跳转网页的三种方法
- static_cast,reinterpret_cast,const_cast,dynamic_cast:
- vivo换手机云服务器,换新手机迁移数据很麻烦?这里两招教你快速迁移,有云服务不用愁...
- 手机型号修改 修改手机型号,在QQ空间想朋友展示个性化的手机型号
- 移动前端开发的一些简单分类!
- 基于STM32F103单片机雾霾检测PM2.5检测空气质量检测除尘系统
- 几招最有效的防辐射的方法
- 开发中的各种时间格式转换(一)
- mac 上 Python 读写剪贴板图片、文字
- 计算机试题四北京网络教育,网络教育统考计算机模拟真题选择题(四)
- IE和firefox上传文件mime类型的设置
- 塔菲尔曲线斜率的大小_如何从曲线上确定Tafel斜率?
- 【智力题】13 个球一个天平,现知道只有一个和其它的重量不同,问怎样称才能用三次就找到那个球?
- SpringSecurity-02-基于前后端分离和JWT载体的认证授权