Deep Learning For Implicit Feedback-based Recommender Systems

Abstract

Souhrn: Cílem výzkumu je zaměřit se na Recurrent Neural Networks (RNN) a jeho aplikaci na doporučení týkající se relací, která jsou posílena implicitní zpětnou vazbou od uživatelů a metadaty založenými na obsahu. Pro zkoumání slibné architektury RNN realizujeme sedm různých modelů s využitím různých typů implicitní zpětné vazby a informací o obsahu. Naše výsledky ukázaly, že použití RNN se složitou implicitní zpětnou vazbou zvyšuje předpověď dalších položek porovnávající základní modely jako Cosine Similarity, Doc2Vec a Item2Vec.

The research aims to focus on Recurrent Neural Networks (RNN) and its application to the session-aware recommendations empowered by implicit user feedback and content-based metadata. To investigate the promising architecture of RNN, we implement seven different models utilizing various types of implicit feedback and content information. Our results showed that using RNN with complex implicit feedback increases the next-item prediction comparing the baseline models like Cosine Similarity, Doc2Vec, and Item2Vec.