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。