摘要
【目的】针对用户一次购买多件物品的场景,为用户推荐下一次可能购买的多件物品。【方法】基于多头自注意力神经网络设计一种新的购物篮推荐方法,该方法使用多头自注意力机制捕捉购物篮中不同物品的关系以及融合物品属性信息,并使用具有注意力的循环神经网络建模购物篮序列信息。【结果】实验结果表明,本文方法优于传统推荐方法和现有基于深度学习的推荐方法,特别是在TaoBao数据集上F1值提升2%。【局限】本文方法仅提升了推荐结果的准确性,是否能够提升多样性还需进一步验证。【结论】多头自注意力能够更好地对购物篮进行建模,进而提升购物篮推荐效果。
[Objective]This paper aims to predict online customers’future purchases based on their previous shopping behaviors.[Methods]We proposed a new product recommendation approach based on multi-head selfattention neural networks.Our method captured the relationship and attributes of items checked out by specific customers.Finally,we generated the recommended lists using recurrent neural networks with attentions.[Results]We examined the proposed approach on three real-world data sets and yielded better F1 values than existing methods(2%higher).[Limitations]The diversity of the recommended lists needs more analysis.[Conclusions]The multi-head self-attention mechanism is an effective way to model shopping behaviors and create better recommendations for the consumers.
作者
倪维健
郭浩宇
刘彤
曾庆田
Ni Weijian;Guo Haoyu;Liu Tong;Zeng Qingtian(College of Computer Science and Engineering,Shandong University of Science and Technology,Qingdao 266510,China)
出处
《数据分析与知识发现》
CSSCI
CSCD
北大核心
2020年第2期68-77,共10页
Data Analysis and Knowledge Discovery
基金
国家自然科学基金项目“面向用户群组的结构化推荐技术及其应用研究”(项目编号:61602278)
国家自然科学基金项目“应急预案流程图谱自动建模方法及其在场景式诊断中的应用”(项目编号:71704096)的研究成果之一.
关键词
购物篮推荐
深度神经网络
多头自注意力
物品属性
Next Basket Recommendation
Deep Neural Network
Multi-Head Self-Attention
Item Attributes