陆续上架前几个月写的库存
主题增强记忆网络个性化兴趣点推荐
论文背景
Topic-Enhanced Memory Networks for Personalised Point-of-Interest Recommendation
主题增强记忆网络个性化兴趣点推荐
KDD 2019
PDF
CODE
关键词：推荐系统；神经网络；主题建模
问题提出
现有问题：数据稀疏；现有算法使用一个单一向量刻画用户偏好限制了表达和可解释性。
架构
Topic-Enhanced Memory Network (TEMN)
TEMN是一个统一的混合模型，利用TLDA和外部记忆网络以及神经注意机制来捕捉用户的全局和细粒度偏好。
三部分组成：记忆网络，TLDA和地理建模部分。
前两部分相互联系，用于建模从基于领域的记忆网络中学到的非线性交互（通过历史记录）以及从主题模型中学到的全局偏好。
每一部分分别对应不同的损失函数，进行联合训练。
实验
数据集
微信朋友圈签到数据集（未开源）
基线
- MF
- BPR
- LDA
- CML
- LRML
- TEMN(GPR) 保留了记忆模块，将TLDA替换为LDA，去掉了地理模块。
- LORE
- ST-RNN
- TEMN(SPR) 完整TEMN模型使用微信（SPR）数据
- GeoMF
- TLDA
- TEMN(CPR) 完整TEMN模型使用微信（GPR）数据
性能
贡献点
- 提出一种融合基于领域和全局的用户偏好的端到端深度学习框架。
- 在兴趣点推荐中设计了能融合多种上下文信息的灵活架构，并使之能在多种推荐场景应用。
- 提出一种结合监督和非监督学习的混合模型，并利用了记忆网络和主题模型。通过相互学习机制，模型还能得出用户在受记忆网络影响的主题上的概率分布。
- 在微信数据集上进行模型验证，超过基线模型。
- 通过在TEMN中引入神经注意机制和主题模型，POI推荐的可解释性得到了显著提高。
