FISSA: Fusing Item Similarity Models
タスク
系列予測としてレコメンドモデルを構築する. すなわちユーザーの行動履歴(例えばアイテムIDの列) \[A_1, A_2, \ldots, A_n\] に対して \(A_{n+1}\) を予測する.
やりたいこと
- 基本的には直前の行動に影響が強く受けているはず
- とは言え系列の情報も残したい
手法概要
- ローカル表現
- 各アイテム、特に系列最後 \(A_n\) のベクトル表現 \(x\)
- グローバル表現
- この二つの線形和
- \(z = x \ast g + y \ast (1-g)\) を最終的に系列のベクトル表現にする
- ここで \(g\) はゲートと呼ぶ \(0 < g < 1\) なる値で, self-attention の要領で, コレ自体も予測する
各アイテム \(A_i\) に対するローカル表現 \(x_i\) のスコアを \[z \ast x_i\] で得る.
その他
実用を考えると \(g\) の計算は大変. 定数にしてしまった実験もやっていて, 性能は落ちるが悪くはない.