[论文解读] Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors

Zhi Li, Hongke Zhao+4 more|arXiv (Cornell University)|Aug 3, 2018

Recommender Systems and Techniques参考文献 23被引用 24

一句话总结

本文提出行为密集型神经网络（BINN），一种用于下一项推荐的新型深度学习框架，能够判别性地建模用户的长期历史偏好与短期会话级动机。通过将 w-item2vec 基础的项目嵌入与双 LSTM 分支（分别用于偏好和动机学习）相结合，BINN 在两个真实世界电商数据集上实现了最先进性能，显著优于现有方法，在召回率和排序准确性方面表现更优，尤其在用户交互历史更长时优势更加明显。

ABSTRACT

In the modern e-commerce, the behaviors of customers contain rich information, e.g., consumption habits, the dynamics of preferences. Recently, session-based recommendations are becoming popular to explore the temporal characteristics of customers' interactive behaviors. However, existing works mainly exploit the short-term behaviors without fully taking the customers' long-term stable preferences and evolutions into account. In this paper, we propose a novel Behavior-Intensive Neural Network (BINN) for next-item recommendation by incorporating both users' historical stable preferences and present consumption motivations. Specifically, BINN contains two main components, i.e., Neural Item Embedding, and Discriminative Behaviors Learning. Firstly, a novel item embedding method based on user interactions is developed for obtaining an unified representation for each item. Then, with the embedded items and the interactive behaviors over item sequences, BINN discriminatively learns the historical preferences and present motivations of the target users. Thus, BINN could better perform recommendations of the next items for the target users. Finally, for evaluating the performances of BINN, we conduct extensive experiments on two real-world datasets, i.e., Tianchi and JD. The experimental results clearly demonstrate the effectiveness of BINN compared with several state-of-the-art methods.

研究动机与目标

• 解决现有会话级推荐模型忽略长期用户偏好的局限性。
• 在统一框架中建模历史稳定偏好与当前消费动机，以提升下一项推荐性能。
• 开发一种统一的项目表征方法，基于用户交互捕捉项目间的序列相似性。
• 设计一种判别性学习机制，有效分离并处理不同行为信号（长期 vs. 短期）。
• 在不同用户交互长度和冷启动条件下，评估模型在真实工业数据集上的性能。

提出的方法

• 提出 w-item2vec 方法，通过利用用户交互数据中的序列模式生成统一的项目嵌入，捕捉超越静态特征的项目相似性。
• 引入双分支 LSTM 架构：一个分支使用用户交互序列建模长期历史偏好，另一个分支捕捉短期会话级动机。
• 应用判别性行为学习，将不同的行为信号——历史偏好与当前动机——在统一框架内分别对齐与处理。
• 在统一嵌入空间中表示项目，使模型能够学习反映语义与序列关系的潜在表征。
• 采用双流神经网络，联合优化长期与短期行为建模，端到端训练用户交互序列。
• 采用基于 RNN 的架构（LSTM）建模用户行为序列中的时间动态，实现上下文感知的序列推荐。

实验结果

研究问题

• RQ1 联合建模长期稳定偏好与短期会话级动机是否能提升下一项推荐性能？
• RQ2 用户交互历史长度如何影响同时包含历史与当前行为信号的模型性能？
• RQ3 基于交互序列的统一项目表征在序列推荐中，相比传统项目嵌入方法能多大程度上实现性能超越？
• RQ4 对不同行为类型（历史 vs. 当前）进行判别性处理，是否比联合建模带来更高的推荐准确率？
• RQ5 该模型在处理交互历史有限的冷启动用户时效果如何？

主要发现

• BINN 在 Tianchi 和 JD 数据集上的 Recall@20 均取得显著提升，尤其在 JD 数据集中，对于长期交互历史的用户，性能较其他 RNN 模型至少提升 3.92%。
• 模型在冷启动用户上表现强劲，无需重新训练，表明对新用户资料具有强鲁棒性。
• 随着用户交互历史长度增加，BINN 性能稳步提升，证明了建模长期偏好的有效性。
• 双分支 LSTM 设计有效提升了长期偏好与短期动机之间的区分能力，从而实现更精准的下一项预测。
• w-item2vec 方法成功捕捉了项目间的序列相似性，提升了嵌入空间中项目表征的质量。
• BINN 在排序准确性方面优于 GRU4Rec 和 HRNN 模型，尤其在更长的交互序列上表现更优，证实了显式分离偏好与动机的有益效果。