Neural factorization for Offer Recommendation using Knowledge Graph Embeddings
ABSTRACT
背景
公司向用户发送大量的促销优惠和优惠券，以吸引他们购买更多。优惠推荐系统有助于确定向用户提供的相关优惠
核心
提出了一个神经因式分解（ NF）模型做优惠推荐任务。以知识图（KG）的形式对可用数据进行建模，并使用称为TransE的标准KGE技术学习实体和关系的嵌入。也使用长期短期记忆（LSTM）和注意力机制框架将用户时间特征纳入NF模型。
数据集
-
Kaggle Acquire Valued Shoppers Challenge
datasethttps://www.kaggle.com/c/acquire-valued-shoppers-challenge/data
SIGIR（ACM SIGIR Workshop on XML and Information Retrieval）C类会议
INTRODUCTION
第一种模型
使用从数据集中提取的特性表示用户和优惠
第二种模型
我们采用一种称为TransE的知识图嵌入技术来生成用户和优惠的嵌入。
第三种模型
使用注意力机制框架捕获用户的顺序行为。
NEURAL FACTORIZATION FOR OFFER
RECOMMENDATION
使用神经因子分解（NF）模型来完成优惠推荐任务。尝试表示用户和优惠的不同方法。解释了基本的神经因子框架，然后介绍我们的方法。
神经分解的体系结构
在我们的模型中，用户向量（V U）和提供向量（V O）作为两个输入层的输入。每个输入层后面跟着一个密集层。这些密集层的输出被串联起来，作为神经网络的输入。我们用过去的用户优惠交互数据作为正例，负例是通过随机抽样产生的。最终输出层预测yuo，用户u接受优惠o的概率…在给定的时间得出所有可用优惠的概率。根据概率值对报价进行排序，并向用户推荐顶级k的优惠。
Neural Factorization with features
(NF+features)
此模型的缺点是：这些特性也无法捕捉用户和优惠之间的间接关系。
Neural Factorization with Knowledge
Graph Embeddings (NF+KGE)
提出使用知识图嵌入（KGE）技术来学习为用户和优惠的嵌入。这些技术被发现能有效地捕捉知识图中各实体之间的复杂和间接的关系。使用一种名为TransE的标准知识图嵌入方法来学习图中所有实体和关系的嵌入。我们之所以选择TransE，是因为这种方法很简单，而且在模拟多关系数据方面被发现是有效的。
Neural Factorization with temporal
features (NF+KGE+TF)
上述知识图嵌入无法捕捉用户的顺序行为，因为知识图不代表交互的时间戳或顺序性的交易。因此，我们试图通过考虑用户顺序购买行为，使用长期短期记忆（L STM）与注意力机制模型。来加入一个时间组件来增强我们的模型。
*将预测的类别概率作为NF模型的额外输入纳入其中。
LSTM model for next category prediction
由于优惠是在特定的类别上给出的，我们制定了预测用户将购买的下一个类别的任务。我们假设这些信息可能有助于为用户确定合适的优惠。
