引言
Repeat consumption是生活中常见的情况，不仅常见而且在电商等场景中占据交互的很大部分。
早期研究发现，消费的新近性(recency of consumption)是重复消费的最强预测指标。推荐系统的重要目标是帮助用户发现新物品。除此之外，许多现实世界的系统都使用针对不同目标的推荐列表，即提醒用户他们过去浏览或消费过的商品。Benson，Kumar和Tomkins（2016）确定了重复消费的两种宏观行为模式。首先，在给定用户的生命周期内，很少有物品可以长期使用。其次，一件物品的最近一次消费存在越来越长的时间间隔，这与厌倦感增加导致最终被遗弃的看法一致。这篇工作与先前关于重复推荐的工作之间的主要区别在于，是第一个提出神经推荐模型的工作，该模型明确强调常规和基于会话的推荐任务中的repeat consumption。
RepeatNet
给定行为session
,推荐任务形式化表示为
Framework
文中显式地将repeat consumption的情况考虑到推荐计算中，将explore和repeat进行结合
完整结构如下图所示，可以分为4个关键组件：
1. session encoder
会话编码将session编码到隐含空间中，使用GRU模型进行编码：
最终得到session中每个物品的表征：
2. Repeat-explore mechanism
对历史记录进行二分类，计算当前session出现repeat的概率，具体而言使用注意力机制进行特征提取，将每个物品与session最后一个物品表征
进行注意力计算：
使用softmax得到概率分布：
3. Repeat Recommendation Decoder
计算一个物品的被重复消费的概率：
由于同一物品可能在session中重复出现，因此分子需要计算加和。
4. Explore recommendation decoder
计算新物品被点击的概率：与上面第二部分相同采用注意力机制进行计算：
并将计算得到的结果与最后一个物品的表征结合
计算概率形式如下：
5. 损失函数
实验结果
小结
本文针对repeat consumption情况设计了神经网络模型，把repeat和explore两个任务相结合，提高了推荐效果，虽然模型结构简单，但设计合理。实验方面应该再对比一下其他模型对repeat的数据的预测情况，突出模型设计的优越性。
END
本人简书所有文章均为原创，欢迎转载，请注明文章出处 。百度和各类采集站皆不可信，搜索请谨慎鉴别。技术类文章一般都有时效性，本人习惯不定期对自己的博文进行修正和更新，因此请访问本人简书主页查看最新信息https://www.jianshu.com/u/40d14973d97c
