基于网络表示学习的个性化商品推荐.pdfVIP

基于网络表示学习的 个性化商品推荐 李宇琦 陈维政 闫宏飞 北京大学 2017-7 提纲 l 引言 l相关定义 l本文模型 l实验设计和结果 l总结 推荐系统 • 应用场景 本文场景 • 针对商品进行个性化推荐 • 针对电子商务中的商品 • 根据用户行为进行个性化推荐 相关工作 • 传统推荐算法 • 协同过滤 • 基于内容的推荐算法 • 基于用户信息统计的推荐算法 • 网络表示学习算法 • LINE算法 ， WWW 2015 • GME 算法 • NERM 算法 提纲 l 引言 l相关定义 l本文模型 l实验设计和结果 l总结 相关定义 • 1. 购买记录 • 一个用户 u 在时间点 t 购买商品 p 这种行为就是一次购买记录 ，可以 用三元组 u, p, t 表示。 • 2. 用户概要 • 对于用户 u 而言 ，用户概要 D 可以表示成一个用户 u 的购买记录 u u, p, t 的列表 ，且这个列表按照购买时间 t 排序。 • 3. 商品共现 • 给定一个时间区间 ∆T ，对于用户 u 的用户概要 D 列表中的每 u 一对 购买记录 { u, , , u, , } 而言 ，如果 | i i j j − | ∆T, 那么这两种商品共现。 i j 商品-商品网络 • 抽取商品对之间的共现信息构建获得 • G = (V, E) 的加权无向图 • 结点 和结点 之间边的权重是考虑所有的用户概要集合 D 后 i j 商品 i 和商品 j 之前共现次数。 提纲 l 引言 l相关定义 l本文模型 l实验设计和结果 l总结 本文模型 • 网络表示学习 • 动态用户偏好表示 • 个性化商品推荐 商品网络表示学习 • LINE算法 (WWW 2015) • 网络局部特性 • 利用结点的邻边作为当前结点的上下 文信息 ，并假定如果两个结点共享更 多的相邻结点 ，也即两个结点的上下 文信息更接近 ，那么这两个结点会比 较相似。 信息网络样例 LINE算法 • 对于无向边(vi,vj ), vi 和 vj 的条件分布 • 经验分布函数 • 目标函数 • 化简可得 优化求解过程 • 求解 • 负采样 边采样 随机梯度下降 • 优化后的目标函数 动态用户偏好表示 • 利用用户 u 的历史购买记录和商品的低维向量表示 可以获得用户在时间点 t 偏好。 • 其中 是商品 j 本身的低维向量表示 ，Γ(∙)是时间衰减 函数。 • 利用高斯分布作为时间衰减函数 个性化商品推荐 • 商品和用户之间的相关性分