Mixed Attention Network for Cross-domain Sequential Recommendation

要約

最新のレコメンダー システムでは、逐次レコメンデーションでは時系列のユーザー行動を利用して効果的な次のアイテムの提案を行いますが、特に新規ユーザーの場合、データの希薄性の問題が発生します。
有望な作業の 1 つはクロスドメイン レコメンデーションです。これは、データが不足しているドメインでのパフォーマンスを向上させるために、複数のドメインにわたるデータを使用してモデルをトレーニングします。
PiNet や DASL など、最近提案されたクロスドメイン逐次推奨モデルには、異なるドメインの重複ユーザーに大きく依存するという共通の欠点があり、実際の推奨システムでの使用が制限されます。
この論文では、ドメイン固有およびクロスドメインの情報を抽出するために、ローカルおよびグローバル アテンション モジュールを備えた混合アテンション ネットワーク (MAN) を提案します。
まず、ドメイン固有/クロスドメインのシーケンシャル パターンをキャプチャするローカル/グローバル エンコーディング層を提案します。
次に、アイテム類似性アテンション、シーケンス融合アテンション、およびグループプロトタイプアテンションを備えた混合アテンション層を提案し、それぞれローカル/グローバルアイテム類似性の捕捉、ローカル/グローバルアイテムシーケンスの融合、および異なるドメインにわたるユーザーグループの抽出を行います。
最後に、ドメイン固有の関心とクロスドメインの関心をさらに進化させて組み合わせるために、ローカル/グローバル予測レイヤーを提案します。
2 つの現実世界のデータセット (それぞれ 2 つのドメインを持つ) に関する実験結果は、提案したモデルの優位性を示しています。
さらなる研究により、私たちが提案する方法とコンポーネントはそれぞれモデルに依存せず、効果的であることも示されています。
コードとデータは https://github.com/Guanyu-Lin/MAN で入手できます。

要約(オリジナル)

In modern recommender systems, sequential recommendation leverages chronological user behaviors to make effective next-item suggestions, which suffers from data sparsity issues, especially for new users. One promising line of work is the cross-domain recommendation, which trains models with data across multiple domains to improve the performance in data-scarce domains. Recent proposed cross-domain sequential recommendation models such as PiNet and DASL have a common drawback relying heavily on overlapped users in different domains, which limits their usage in practical recommender systems. In this paper, we propose a Mixed Attention Network (MAN) with local and global attention modules to extract the domain-specific and cross-domain information. Firstly, we propose a local/global encoding layer to capture the domain-specific/cross-domain sequential pattern. Then we propose a mixed attention layer with item similarity attention, sequence-fusion attention, and group-prototype attention to capture the local/global item similarity, fuse the local/global item sequence, and extract the user groups across different domains, respectively. Finally, we propose a local/global prediction layer to further evolve and combine the domain-specific and cross-domain interests. Experimental results on two real-world datasets (each with two domains) demonstrate the superiority of our proposed model. Further study also illustrates that our proposed method and components are model-agnostic and effective, respectively. The code and data are available at https://github.com/Guanyu-Lin/MAN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google