STAMP: Short-Term Attention/Memory Priority Model for Session-based Recommendation
创新：结合长期记忆（序列兴趣）和短期记忆（当前兴趣）
原文笔记：https://mp.weixin.qq.com/s/TXOSQAkwky1d27PciKjqtQ
采用Diginetica数据集进行测试，将其处理为用户序列。数据集的处理见utils文件，主要分为：
- 读取数据（可以取部分数据进行测试）；
- 过滤掉session长度为1的样本；
- 过滤掉包含某物品（出现次数小于5）的样本；
- 对特征
itemId进行LabelEncoder，将其转化为0, 1,...范围； - 按照
evetdate、sessionId排序； - 按照
eventdate划分训练集、验证集、测试集； - 生成序列【无负样本】，生成新的数据，格式为
hist, label，因此需要使用tf.keras.preprocessing.sequence.pad_sequences方法进行填充/切割，此外，由于序列中只有一个特征item_id，经过填充/切割后，维度会缺失，所以需要进行增添维度； - 生成一个物品池
item pooling：物品池按序号排序； - 得到
feature_columns：无密集数据，稀疏数据为item_id； - 生成用户行为列表，方便后续序列Embedding的提取，在此处，即
item_id； - 最后返回
feature_columns, behavior_list, (train_X, train_y), (val_X, val_y), (test_X, test_y)；
class STAMP(tf.keras.Model):
def __init__(self, feature_columns, behavior_feature_list, item_pooling, maxlen=40, activation='tanh', embed_reg=1e-4):
"""
STAMP
:param feature_columns: A list. dense_feature_columns + sparse_feature_columns
:param behavior_feature_list: A list. the list of behavior feature names
:param item_pooling: A Ndarray or Tensor, shape=(m, n),
m is the number of items, and n is the number of behavior feature. The item pooling.
:param activation: A String. The activation of FFN.
:param maxlen: A scalar. Maximum sequence length.
:param embed_reg: A scalar. The regularizer of embedding.
"""-
file：Amazon Electronic文件；
-
maxlen：最大序列长度，
40； -
embed_dim：Embedding维度，
100； -
K：评价指标的@K，
20； -
learning_rate：学习率，
0.005； -
batch_size：
128； -
epoch：
30；
采用Diginetica数据集数据，最终测试集的结果为：