Lernen aus Geschichte und Gegenwart

Im modernen E-Commerce enthalten das Verhalten der Kunden reichhaltige Informationen, z. B. Konsumgewohnheiten und die Dynamik der Präferenzen. Kürzlich werden -basierte Empfehlungen immer beliebter, um die zeitlichen interaktiven Verhaltensweisen der Kunden zu erkunden. Allerdings berücksichtigen bestehende Arbeiten die kurzfristigen Verhaltensweisen, ohne die langfristig stabilen Präferenzen und deren Entwicklungen der Kunden vollständig zu berücksichtigen. In diesem Papier stellen wir ein neuartiges Behavior-Intensive Neural Network (BINN) für die nächste Artikelvorhersage vor, indem sowohl die historischen stabilen Präferenzen als auch die Konsummotivationen der Nutzer integriert werden. Konkret enthält BINN zwei Hauptbestandteile, d. h. Neural Item Embedding und Discriminative Behaviors Learning. Eine neuartige Artikel-Embedding-Methode, die auf Benutzerinteraktionen basiert, wird entwickelt, um eine einheitliche Darstellung für jedes Element zu erhalten. Dann, mit den eingebetteten und den interaktiven Verhaltensweisen über Artikel-Sequenzen, differenziert BINN die historischen Präferenzen und gegenwärtigen Motivationen der Zielnutzer. BINN kann somit bessere Empfehlungen für die nächsten Artikel der Nutzer abgeben. Schließlich führen wir zur Evaluierung der Leistungsfähigkeit von BINN Experimente an zwei realen Datensätzen durch, d. h. Tianchi und JD. Die Ergebnisse demonstrieren deutlich die Effektivität von BINN im Vergleich zu mehreren modernen Methoden.