FISSA: Fusing Item Similarity Models

• original paper: http://csse.szu.edu.cn/staff/panwk/publications/Conference-RecSys-20-FISSA.pdf

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
  • 系列全体のベクトル表現 \(y\)
• 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
    • \(x, y\) 及び推薦候補の集合から予測する

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.