• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE transactions on industrial informatics >ATM: An Attentive Translation Model for Next-Item Recommendation
【24h】

ATM: An Attentive Translation Model for Next-Item Recommendation

机译：ATM：下一个项目推荐的殷勤翻译模型

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Predicting what items a user will consume in the next time (i.e., next-item recommendation) is a crucial task for recommender systems. While the factorization method is a popular choice in recommendation, several recent efforts have shown that the inner product does not satisfy the triangle inequality, which may hurt the model's generalization ability. TransRec is a promising method to overcome this issue, which learns a distance metric to predict the strength of user-item interactions. Nevertheless, such method only uses the latest consumed item to model a user's short-term preference, which is insufficient for modeling fidelity. In this article, we propose a simple yet effective method named attentive translation model, to explicitly exploit high-order sequential information for next-item recommendation. Specifically, we construct a user-specific translation vector by accounting for multiple recent items, which encode more information about a user's short-term preference than the latest item. To aggregate multiple items into one representation, we devise a position-aware attention mechanism, learning different weights on items at different orders in a personalized way. Extensive experiments on four real-world datasets show that our method significantly outperforms several state-of-the-art methods.
机译：预测用户将在下次（即，下一个项目推荐）中消耗的项目是推荐系统的重要任务。虽然分解方法是推荐中的最受欢迎的选择，但最近的几项努力表明内部产品不满足三角形不等式，这可能会损害模型的泛化能力。 TransRec是一种克服这个问题的有希望的方法，它学习了预测用户项目交互的强度的距离度量。然而，这种方法仅使用最新的消耗品来建模用户的短期偏好，这不足以建模保真度。在本文中，我们提出了一个简单但有效的方法，名为殷勤翻译模型，明确地利用下一个项目推荐的高阶序列信息。具体地，我们通过计算多个最近项目来构建用户特定的翻译矢量，该项目编码了关于用户的短期偏好的更多信息而不是最新项目。要将多个项目聚合到一个表示中，我们设计了一个位置感知注意机制，以个性化方式在不同订单的项目上学习不同的权重。在四个现实数据集上进行了广泛的实验表明，我们的方法显着优于几种最先进的方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号