Sequence-Aware Recommendation with Long-Term and Short-Term Attention Memory Networks（LSAMN）
Time：2019
Author：Daochang Chen, Rui Zhang, Jianzhong Qi, Bo Yuan（清华）
Abstract
在电商场景下，一个session里各个购买商品对于预测下一个购买物品的权重是不同的。使用Attention Memory Network来学习每个session里的embedding、用户的长期兴趣和短期兴趣。
Model Architecture
LSAMN使用一个two-level attention embedding memory network来学习用户长期兴趣和短期动态兴趣之间的关系，同时学习一个session里商品间的联系。two-level attention memory network在两个embedding spaces里对用户长期兴趣和短期兴趣建模。
- embedding network把user id和item id映射进两个隐向量空间里
- session-level attention memory network（SMN）计算每个用户的session embedding
是session里物品i的attention weight，
是在时间t，user u的session embedding
- preference-level feed-forward neural memory network（PMN）学习当前场景下用户长短期兴趣的attention
Experiments
数据：Amazon数据集（Sports and Outdoors、Health and Personal Care、Clothing Shoes and Jewelry）
- 用户-物品的购买记录
- 每一个session包含用户一天内购买的物品
数据处理：
- 去除掉长尾用户（购买次数少于10次或者少于3个session）和商品（被购买次数少于10次）
- 用户的最后一个session作为测试集，剩余的session作为训练集