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。

TEMN
TEMN

  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)

数据集
数据集

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

    性能
    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。