Key points are not available for this paper at this time.
Empfehlungssysteme (RS) sind ein integraler Bestandteil unseres täglichen Lebens geworden. Allerdings empfehlen die meisten aktuellen RS häufig wiederholt Artikel an Benutzer mit ähnlichen Profilen. Wir argumentieren, dass Empfehlungen durch die Nutzung von Sitzungs-Kontexten in Verbindung mit personalisierten Benutzerprofilen diversifiziert werden sollten. Hierfür nehmen aktuelle sitzungsbasierte RS (SBRS) oft eine starr angeordnete Sequenz über Daten an, die in vielen realen Fällen nicht passt. Darüber hinaus wird Personalisierung in aktuellen SBRS oft weggelassen. Dementsprechend ist ein personalisierter SBRS über locker geordnete Benutzer-Sitzungskontexte pragmatischer. Dabei erweisen sich tiefstrukturierte Modelle oft als zu komplex für Online-SBRS, aufgrund der großen Anzahl von Benutzern und Artikeln. Daher entwerfen wir einen effizienten SBRS mit flachen Weit-in-Weit-raus-Netzwerken, inspiriert von den erfolgreichen Erfahrungen im modernen Sprachmodellieren. Die Experimente auf einem realen E-Commerce-Datensatz zeigen die Überlegenheit unseres Modells gegenüber den neuesten Methoden.
Hu et al. (Fr.) haben diese Frage untersucht.