【ccf2021训练赛】图书推荐算法（SASRec序列推荐模型）

内容总结

• 会话推荐是指，对于一个用户的点击序列（即session），预测下一个要点击的物品。即输入所有的物品V={v1,v2,…,vm} ，在给定某个session为s=[v1,v2,…,vn]的用户点击序列，预测下一个要点击的物品vn+1。
• 关于序列推荐中的子任务session-based recommend有很多模型，在session推荐中，交互的物品偏少，先有提出基于RNN的建模做session推荐，即GRU4Rec模型，然后为了解决RNN的毛病（长距离依赖问题，不能并行训练），提出本文提到的SASRec模型。第一点是基于注意力机制的SASRec模型的算法讲解，接着五点是对常见的推荐算法（序列建模）做简要的总结，第七点是2021年ccf图书推荐赛题的top2方案解读。
  • SASRec（召回）提出基于自注意力机制的序列推荐，考虑用户序列行为中不同交互的重要程度。
    论文：Self-Attentive Sequential Recommendation. ICDM2018.

• SASRec原论文是做在召回阶段：
  • 在给定用户的物品序列来推测下一个最可能出现的物品，如上图所示（其实上面就是transformer中的encoder结构，每个block包括self-attention和FFN部分，这里也可以回顾下transformer的架构图如下所示）提取出的expected next item embedding和所有物品embedding进行内积，根据相关性的大小进行排序筛选，得到top k个推荐item。
  • 但再论文实验中，首先针对隐式数据集做一个二分类任务，在测试集中并不是对所有物品预测（太耗时），对每一个正样本，伴随一个100个负样本进行排序。
  • 模型都是和推荐的场景有关，self-attention使得下一次推荐的物品的推荐，是根据前面历史不同权重物品来确定的。而且用户物品交互较少时（数据稀疏），相近时间的历史交互信息就更重要；但是如果像电商这种密集型数据场景，历史行为就更加偏向“多兴趣”。