摘要

最近基于session的推荐系统火热起来，但是大多数的工作没有考虑用户长期的稳定偏好和演变。这篇文章提出了一个novel Behavior-Intensive Neural Network（BINN）模型，该模型结合了用户的历史稳定偏好和当前的购买动机，来进行下一次推荐。该模型的两个主要部件分别为：Neural Item Embedding 和 Discriminative Behaviors Learning 。有区别的学习目标用户的历史偏好和当前动机。

看完摘要

问题1：历史稳定偏好是如何知道稳定的呢？

问题2：这两部件是怎么实现？

模型

随着时间的变化用户的历史行为自然的会形成一个行为交互序列，我们用以下的形式代表

 其中$|H|=n$表示用户的数量。对于每一个用户$u$都会有对应的交互序列

 其中$x_j$代表用户$u$与第$j$个item进行交互，$b_j$表示行为类型(比如：点击，加入购物车，购买)，我们的the next-based的推荐任务就是去预测下一个item,即$x_{T+1}$

Neural Item Embedding

首先回顾Google的word2vec，Skip-gram的模型结构

Skip-gram模型

 Skip-gram是利用当前词预测其上下文词。给定一个训练序列$w_1,w_2,...,w_T$，该模型的目标函数是最大化平局的log概率：

 其中$c$表示context的大小，c越大，训练样本越大，准确率越高，同时训练时间也变长。在skip-gram模型中，$P(w_{i+j}|w_t)$利用softmax函数定义如下：

其中$W$是语料库的大小，但是在通常情况下，语料库特别大，直接计算不现实。为了解决这个问题，提出了2种方法，一个是hierarchical softmax，另一个方法是negative sample。对于negative sample，具体就是把目标函数修正为

其中$P_n(w)$是噪声分布。即训练目标是使用logistics regression区分出目标词和噪音词。

item2vec原理

item2vec就是把用户的交互行为序列当成一个word2vec种句子，出现在同一个集合的商品被视为positive。对于集合$w_1,w_2,...,w_k$目标函数：

同时也采用负采样， 并将skip-gram中的sfotmax函数代替为

其中参数$N$为确定每个positive要绘制的negative的数量

w-item2vec

在本篇文章中，作者改进了item2vec。

作者认为，和普通的句子不同的是，有些item是经常被访问，即在$H$中将会经常出现这些商品，这是因为用户在进行商品的对比和选择，所以往往会有相似的物品交叉出现，这也表明了作者的动机，同时，那些低频率的商品可能是用户无意间点击的，这样可以去除噪音。所以，目标函数改写为

 其中是在序列中$x_i$出现的频率，同时目标函数变成：

Discriminative Behaviors Learning

论文笔记：Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors（KDD 2018）

原文：https://www.cnblogs.com/simplekinght/p/11545180.html