[论文解读] Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation

Yang Lv, Liangsheng Zhuang+1 more|arXiv (Cornell University)|Sep 25, 2019

Recommender Systems and Techniques参考文献 13被引用 4

一句话总结

本文提出 NETA，一种邻域增强且具备时间感知能力的神经网络模型，用于会话级推荐，通过联合建模会话内的序列行为以及时间上和上下文上相似的过去会话中的协同信号，提升下一物品预测性能。通过将引导注意力与时间感知相似性及互补表示的交叉注意力机制相结合，NETA 在两个真实世界数据集上实现了最先进性能。

ABSTRACT

Session based recommendation has become one of the research hotpots in the field of recommendation systems due to its highly practical value.Previous deep learning methods mostly focus on the sequential characteristics within the current session,and neglect the context similarity and temporal similarity between sessions which contain abundant collaborative information.In this paper,we propose a novel neural networks framework,namely Neighborhood Enhanced and Time Aware Recommendation Machine(NETA) for session based recommendation. Firstly,we introduce an efficient neighborhood retrieve mechanism to find out similar sessions which includes collaborative information.Then we design a guided attention with time-aware mechanism to extract collaborative representation from neighborhood sessions.Especially,temporal recency between sessions is considered separately.Finally, we design a simple co-attention mechanism to determine the importance of complementary collaborative representation when predicting the next item.Extensive experiments conducted on two real-world datasets demonstrate the effectiveness of our proposed model.

研究动机与目标

• 解决现有会话级推荐模型仅关注单一会话内序列模式、而忽略来自相似过去会话的协同信息的局限性。
• 通过结合会话间的上下文相似性（行为模式）与时间上的新近性（时间接近度），提升推荐准确性。
• 设计一种高效的邻域检索机制，识别 k 个最相关的过去会话以实现协同过滤，且不依赖内存限制。
• 利用交叉注意力机制将序列建模与互补的协同表示相结合，动态加权预测过程中邻域信息的重要性。

提出的方法

• 提出一种高效的邻域检索机制，基于行为相似性与时间新近性，识别 k 个最相似的过去会话。
• 采用引导注意力机制，利用当前会话的序列特征以及会话间的时间间隔，计算邻域会话的注意力权重。
• 通过结合序列行为模式与时间新近性的混合相似度分数计算注意力权重，优先选择相关过去会话。
• 应用交叉注意力机制，在预测下一个物品时，动态加权邻域会话的协同表示贡献。
• 采用双编码器结构：一个用于当前会话嵌入，一个用于邻域会话嵌入，注意力由当前会话的序列状态引导。
• 在引导注意力模块中引入类似 Transformer 的自注意力机制，以建模会话间长距离依赖与上下文相关性。

实验结果

研究问题

• RQ1 将序列建模与来自相似过去会话的协同过滤相结合，能否提升会话级推荐性能？
• RQ2 会话间的时间新近性如何影响邻域会话对下一物品预测的相关性？
• RQ3 显式检索并关注 k 个最近邻会话是否优于仅存储最近会话的记忆型方法？
• RQ4 与仅使用单一相似性（上下文或时间）的模型相比，同时整合上下文相似性与时间相似性能否显著提升推荐准确性？

主要发现

• NETA 在 Diginetica 与 RetailRocket 两个数据集上均达到最先进性能，显著优于所有基线方法，包括 CSRM 与 NARM 等最先进模型。
• NETA-NARM 模型在 Diginetica 上实现 Recall@20 为 63.80，MRR@20 为 28.08，显著优于 NARM（Recall@20 为 63.59），证明了协同信号的价值。
• 消融实验确认时间头可提升性能：NETA（Recall@20 为 63.80）优于 NE（Recall@20 为 63.59），证明时间新近性可增强相似性估计。
• 在 Recall@10 与 Recall@5 评估中，NETA 保持一致优势，表明在推荐列表受限的真实场景下推荐更精准。
• 模型在不同数据集上表现出鲁棒性：尽管在 Diginetica 上性能提升更大，NETA 在 RetailRocket 上仍优于 SessionKNN，表明其具备良好的泛化能力。
• 交叉注意力机制有效平衡了序列与协同信号，NETA-NARM 与 NETA-STAMP 均持续优于其基线模型（NARM 与 STAMP）。