Recomendação Baseada em Sessão Ateniva Neural

Dado que em cenários de e-commerce os perfis de usuários são invisíveis, a recomendação baseada em sessão é proposta para gerar resultados de recomendação a partir de sessões curtas. Trabalhos anteriores consideram apenas o comportamento sequencial do usuário na sessão atual, enquanto o principal objetivo do usuário na sessão atual não é enfatizado. Neste artigo, propomos uma nova estrutura de redes neurais, ou seja, a Máquina de Recomendação Ateniva Neural (NARM), para enfrentar esse problema. Especificamente, exploramos um codificador híbrido com um mecanismo de atenção para modelar o comportamento sequencial do usuário e capturar o principal propósito do usuário na sessão atual, que são combinados como uma representação unificada da sessão posteriormente. Em seguida, computamos as pontuações de recomendação para cada item candidato com um esquema de correspondência bi-linear baseado nessa representação unificada da sessão. Treinamos o NARM aprendendo conjuntamente as representações de itens e sessões, bem como suas correspondências. Realizamos extensos experimentos em dois conjuntos de dados de referência. Nossos resultados experimentais mostram que o NARM supera as melhores referências do estado da arte em ambos os conjuntos de dados. Além disso, também descobrimos que o NARM alcança uma melhoria significativa em sessões longas, o que demonstra suas vantagens em modelar simultaneamente o comportamento sequencial do usuário e seu principal propósito.