Рекомендательные системы выгодны пользователям услуги, а также компании, предлагающей услугу. Хорошие рекомендации могут помочь пользователям быстрее найти то, что они ищут, и открыть для себя новый контент. Для бизнеса рекомендации могут повысить вовлеченность пользователей.
Недавнее исследование использования рекуррентных нейтральных сетей (RNN) в рекомендательных системах показало, что RNN могут превзойти современные модели, особенно в настройках, основанных на сеансах, за счет использования информации о прошлых сеансах пользователя, в дополнение к его взаимодействиям внутри. текущий сеанс. Хотя основная проблема рекомендателей на основе сеанса заключается в предоставлении точных рекомендаций в начале сеанса, прежде чем система сможет узнать о текущих интересах пользователя.
Однако можно улучшить существующий рекомендатель сеансов на основе RNN, что позволит ему обрабатывать недавние сеансы пользователя и, таким образом, улучшить рекомендации. Это делается с помощью второго уровня RNN, чтобы изучать последние сеансы и прогнозировать интерес пользователя к текущему сеансу. Передавая эту информацию исходному слою RNN, модель может улучшить свои рекомендации.
Эксперименты с тремя разными наборами данных доказывают, что предложенный подход может значительно улучшить рекомендации на протяжении сеансов по сравнению с одним слоем RNN, который работает только в текущем сеансе. Предлагаемая модель особенно улучшает рекомендации в начале сеанса и, следовательно, способна решать проблему «холодного старта» во время сеансов.
