.png){kind=icon}
返回
Adaptive Intention Learning for Session-Based Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1145/3709004.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于会话的推荐系统（SRSs）已成为推荐领域内的重要研究焦点。捕获用户意图并据此推断用户兴趣已被证明是提高SRSs准确性的有效方法。然而，现有技术假设所有会话具有相同数量的意图，或同一会话中属于同一类别的物品反映了相同的意图。在实际应用中，如电子商务，会话可能具有不同数量的意图，且同一类型的物品在会话中可能对应不同的意图。因此，现有技术无法保证高质量的用户兴趣预测。在本文中，我们提出了一种新颖的自适应意图学习网络（AILN），用于捕获每个会话的自适应数量意图，从而提高用户兴趣推断的准确性。具体而言，我们设计了一个意图评估网络（IEN）来评估会话的子序列是否对应有效意图，以及一个意图生成网络（IGN）来学习有效意图的表示。通过检查会话的每个子序列，IEN和IGN能够实现增量学习会话特定的意图层次结构（IH），以存储会话的有效意图。为降低构建IH的成本，我们提出了一种利用意图有效性的剪枝策略，以避免不必要的评估。从IH中选择代表性意图，并输入到设计的兴趣预测器中，以推断用户兴趣。在两个真实数据集上的实验结果证明了我们提出的AILN的优越性。
期刊
IF:
6.6
论文数:
1.5K
被引数:
6.2K
机构
查看更多机构
引用论文
.png){kind=icon}
Querying Dynamic Wireless Sensor Networks with Non-revisiting Random Walks基于非重访随机游走的动态无线传感器网络查询
PREAI
分享收藏 没有更多内容