Advertisement

《Neural Atentive Session-based Recommendation》论文阅读

阅读量：

山大学者于2017年发表了一篇短文，在之前的文献中仅探讨了用户的行为序列特征（即未能充分重视用户的主属性需求），这可能引入了行为随机性的影响；因此提出了神经注意力推荐机（NARM）模型。

我只研究它模型相关的东西，介绍和相关工作就不细看了

Model

在这里插入图片描述

在要预测第t+1时刻的点击行为：

1、

主要包含两个解码器：整体解码器（global encoder）和详细解码器（local encoder）。其中整体编码器通过GRU模型对整个序列进行扫描，并提取最终的状态信息来用于捕捉用户的整个行为轨迹：全局编码器 通过GRU模型对整个序列进行扫描，并提取最终的状态信息来用于捕捉用户的整个行为轨迹：

在这里插入图片描述

局部编码器（如） 通过另一个GRU模型对序列进行扫描，并将其长期兴趣与其所有隐状态的加权和相关联。

在这里插入图片描述

其中 αtj 表示第t个商品（题目）和第j个商品的注意力分值（相关性权重）

在这里插入图片描述

最终的序列表示：

在这里插入图片描述

2、

将CT及其候选项目的嵌入维度设置为一致，并将其输入到解码器中进行点乘运算以计算它们之间的相似性

在这里插入图片描述

最后通过一个softmax计算每个候选物品被点击的概率，并以交叉熵损失作为优化目标。

在这里插入图片描述

以上就是整体的模型概述，接下来是代码实现

Code

1.全局

复制代码 
    hidden = self.init_hidden(seq.size(1))  # 初始化隐藏层
    ht = hidden[-1]  # 找到最后一个的隐藏层
    c_global = ht # 全局编码器，最后一次行为的隐状态（最相关），表示用户的序列行为

2.local

复制代码 
    c_local = torch.sum(alpha.unsqueeze(2).expand_as(gru_out) * gru_out, 1)  # 局部解码器以所有隐状态的加权和，表示用户长期兴趣：

3.embing

复制代码 
    c_t = torch.cat([c_local, c_global], 1)
    c_t = self.ct_dropout(c_t)

4.内积

复制代码 
    item_embs = self.emb(torch.arange(self.n_items).to(self.device))
    scores = torch.matmul(c_t, self.b(item_embs).permute(1, 0))

5.softmax

全部评论 (0)

还没有任何评论哟~

相关文章推荐

《Neural Atentive Session-based Recommendation》论文阅读

山大在2017年发表的短序列化推荐论文，因为之前的工作只考虑了用户的序列表现，但是对用户的主要目的并没有明显地强调（即用户的行为存在偶然性的噪声），所以提出NeuralAttentiveRecomme...

论文阅读——《Global Context Enhanced Graph Neural Networks for Session-based Recommendation》

《GlobalContextEnhancedGraphNeuralNetworksforSessionbasedRecommendation》 基于会话推荐的全局上下文增强图神经网络 摘要:基于会话的...

TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation论文阅读笔记

论文标题：TAGNN:TargetAttentiveGraphNeuralNetworksforSessionbasedRecommendation 发表于：2020SIGIR 作者：FengYu,Y...

《论文阅读》SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS

文章目录 SESSIONBASEDRECOMMENDATIONSWITHRECURRENTNEURALNETWORKS 论文概况 GRUbasedRNN GRU 改进 SeesionParallelM...

【论文阅读】Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation

目录 摘要 介绍 本文创新 提出方法 一些定义 超图构建 双通道超图卷积网络 超图通道和卷积 模型优化和推荐生成 线图通道和卷积 自监督学习 实验 与其它方法相比 消融实验 模型深度和自监督学习作用 ...

【论文阅读】 AMNN: Attention-Based Multimodal Neural Network Model for Hashtag Recommendation

摘要 在真实的社交网络中，标签被广泛应用于理解单个微博的内容。然而，用户在发布微博时并不总是主动添加话题标签，因此需要投入大量精力进行自动的话题标签推荐。作为一种新趋势，用户不再仅仅发布文本，而是更愿...

SR-GNN:Session-based Recommendation with Graph Neural Networks 论文阅读笔记

SessionbasedRecommendationwithGraphNeuralNetworks AAAI2019 论文地址：<https://arxiv.org/abs/1811.00855 源码...

论文阅读笔记一：SESSION-BASED RECOMMENDATIONS WITHRECURRENT NEURAL NETWORKS

目录 一论文简介 1.1论文名称：SESSIONBASEDRECOMMENDATIONSWITHRECURRENTNEURALNETWORKS（基于RNN神经网络的会话推荐） 1.2作者：Balázs...

【推荐算法论文阅读】Hashtag Recommendation Using Attention-Based Convolutional Neural Network

一、背景 在微博上，用户用有限数量的字去记录生活或者表达感情。因此，微博被广泛用于舆情分析，预测等许多其他的应用。微博包含一种元数据标签形式（metadatatag,hashtag），hashtag是...

《Dual Sparse Attention Network For Session-based Recommendation 》阅读

DualSparseAttentionNetworkForSessionbasedRecommendation 概要 本文AAAI2021会议上的一篇文章。本文设计了DualSparseAttenti...