分享一篇发表在KDD 2018上面的文章：Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors【从历史和当前中学习：通过判别性地利用用户行为来推荐下一个项目】
这篇文章是用深度学习模型做推荐的一篇比较有代表性的文章，作者通过不同的策略从用户历史记录中挖掘出用户的长期兴趣和短期兴趣，然后融合用户的长短期兴趣，从而产生更加智能的推荐。
这篇文章是我最近精读的一篇文章，我会从问题、框架、数据、实验和结论5个方面详细介绍这篇文章。
摘要：在现代电子商务环境中，顾客的行为包含丰富的信息，例如消费习惯、偏好的动态变化等。最近，基于会话的推荐正逐渐流行，它主要探索用户交互行为的动态特征。然而，现有的研究主要分析用户的短期行为，没有将顾客的长期稳定偏好及其变化考虑在内。在这篇文章中，作者提出一个新颖的框架：行为增强神经网络BINN，用于下一项物品推荐，该框架能够集成用户的历史稳定偏好和当前消费动机。具体的，BINN包含两个组件，神经项目嵌入NIE和判别行为学习DBL。首先，作者开发了一个新颖的基于用户交互的项目嵌入方法，用于获取每一个项目的统一表示。然后，通过项目嵌入和用户与项目的交互，BINN判别性地学习目标用户的历史偏好和当前动机。所以，BINN能为目标用户产生更好的推荐。最后，为了评估BINN的性能，作者基于两个现实世界中的数据集：天池数据集和京东数据集，做了大量的实验，实验结果证明了与几个当前效果最好的方法相比，BINN是有效的。
下面我将以上周汇报时用的PPT详细介绍这篇文章。
欢迎交流！ QQ：3408649893