[论文解读] Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding

Jiaxi Tang, Ke Wang|arXiv (Cornell University)|Sep 19, 2018

Recommender Systems and Techniques参考文献 27被引用 5

一句话总结

该论文提出Caser，一种基于卷积神经网络的模型，将用户交互序列视为时间与潜在因子空间中的二维'图像'，以捕捉Top-N推荐中的点级和联合级顺序模式。通过应用水平和垂直卷积滤波器，Caser有效建模了跳过行为和长期偏好，在多个公开数据集上显著提升了精确率和召回率，优于当前最先进方法。

ABSTRACT

Top-$N$ sequential recommendation models each user as a sequence of items interacted in the past and aims to predict top-$N$ ranked items that a user will likely interact in a `near future'. The order of interaction implies that sequential patterns play an important role where more recent items in a sequence have a larger impact on the next item. In this paper, we propose a Convolutional Sequence Embedding Recommendation Model (\emph{Caser}) as a solution to address this requirement. The idea is to embed a sequence of recent items into an `image' in the time and latent spaces and learn sequential patterns as local features of the image using convolutional filters. This approach provides a unified and flexible network structure for capturing both general preferences and sequential patterns. The experiments on public datasets demonstrated that Caser consistently outperforms state-of-the-art sequential recommendation methods on a variety of common evaluation metrics.

研究动机与目标

• 为解决现有基于马尔可夫链的模型在捕捉用户行为中复杂顺序模式方面的局限性。
• 建模点级与联合级顺序依赖关系，其中多个过去项目共同影响未来行为。
• 支持跳过行为，即非紧邻目标的过去行为仍可影响推荐结果。
• 在统一的深度学习框架中整合长期用户偏好与短期序列动态。
• 通过在嵌入序列上应用卷积特征学习，提升真实世界序列交互数据上的推荐准确性。

提出的方法

• 通过沿时间维度和潜在因子维度堆叠项目嵌入，将用户交互序列表示为二维矩阵。
• 应用垂直卷积滤波器以学习时间步长上的局部模式，强调近期交互。
• 应用水平卷积滤波器以检测潜在因子间的共现模式，建模联合级依赖关系。
• 通过用户特定的投影层整合个性化用户嵌入，以捕捉长期偏好。
• 使用排序损失函数（如BPR类似）优化模型，以最大化正确下一项目预测的可能性。
• 通过卷积架构隐式引入跳跃连接和残差结构，以支持序列中非相邻项的影响。

实验结果

研究问题

• RQ1 深度学习模型能否有效捕捉联合级顺序模式，即多个过去项目共同影响下一步行为？
• RQ2 建模跳过行为（即非紧邻的过去项目仍影响推荐）对推荐性能有何影响？
• RQ3 垂直与水平卷积滤波器在序列推荐中对建模时间动态与潜在因子交互方面分别贡献多大？
• RQ4 统一的CNN架构能否超越专为点级或高阶马尔可夫依赖关系设计的模型？
• RQ5 与忽略长期用户偏好的模型相比，个性化嵌入的整合在多大程度上提升了性能？

主要发现

• Caser在四个公开数据集（MovieLens、Gowalla、Yelp、Amazon）上达到最先进性能，精确率、召回率和NDCG指标均持续优于现有方法。
• 完整版Caser-pvh模型（包含所有组件：个性化、水平与垂直卷积）表现最佳，在MovieLens上达到15.07%的命中率和9.28%的平均倒数排名。
• 消融实验表明，移除任一组件（尤其是水平或垂直卷积）均显著降低性能，证明其必要性。
• 可视化结果证实，垂直滤波器为近期项目分配更高权重，符合近期性在序列推荐中重要的预期。
• 水平滤波器有效捕捉了联合级模式：屏蔽无关的过去项目（如爱情片）可提升正确下一项目的排名，而屏蔽相关的项目（如科幻片）则会损害性能。
• 模型成功建模了跳过行为，表现为即使移除非相邻但语义相关的项目，仍能实现准确预测，表明对非连续影响具有鲁棒性。