CosRec：2D卷积神经网络在序列推荐中的应用

"本文介绍了一种名为CosRec的2D卷积神经网络，该网络用于序列推荐，旨在解决用户购买历史中的复杂关系挖掘问题。通过直接建模物品对的关系，CosRec能有效提取序列特征并捕获复杂的项目关联。它将物品序列编码为三维张量，利用2D卷积滤波器学习局部特征，并通过前馈方式聚合高阶交互。在两个公开数据集上的定量结果证明，CosRec优于传统方法和现有模型。" 《CosRec：2D卷积神经网络在序列推荐中的应用》 现代推荐系统在很大程度上依赖于识别用户的序列模式，以提供更精准的个性化推荐。以往的方法，如马尔科夫链和循环模型，虽然在多种任务中表现出色，但它们在揭示用户购买历史中的复杂关系时仍存在局限。针对这一问题，研究人员提出了一种创新的解决方案——CosRec，即2D卷积神经网络用于序列推荐。 CosRec的核心思想是直接处理物品之间的对关系，以构建高效的序列特征表示，进而捕捉到嵌套在用户行为序列中的复杂项关联。具体来说，它首先将用户的行为序列转化为三维张量，这种表示方式能够保留时间顺序信息以及每个时间步的上下文信息。然后，通过2D卷积滤波器，CosRec能够学习序列中的局部特征，这些特征可能包括用户对特定类型或组合的物品的偏好。2D卷积操作有助于提取跨越多个时间步的模式，揭示用户的长期兴趣和短期行为变化。 进一步地，CosRec利用前馈网络对这些局部特征进行聚合，以捕获不同时间步间的高阶交互效应。这种方法不仅允许模型理解单个物品的重要性，还能捕捉到物品之间的相互作用，从而生成更全面的推荐预测。 实验结果在两个公开的数据集上验证了CosRec的优越性，表明其在推荐精度和性能上均优于传统的推荐算法和其他基于序列的模型。这表明，2D卷积神经网络在处理序列推荐问题时，能够有效地提取和利用序列中的复杂信息，有望在推荐系统领域推动新的进展。 CosRec提供了一种新颖的视角来理解和利用用户行为序列，通过2D卷积网络的强大学习能力，提高了推荐系统的准确性和解释性，对于优化推荐系统设计具有重要的理论和实践意义。