探讨推荐系统中的上下文关联性的建模和建模方法——从信息处理的角度

作者：禅与计算机程序设计艺术

1.简介

在很多推荐系统中，如电影推荐、购物推荐等，根据用户的行为记录、设备信息、上下文环境等进行推荐是很重要的。在复杂多样的推荐场景下，如何同时考虑用户对不同时间段的兴趣以及上下文环境之间的关联性？如何捕获到用户当前的多维信息，而不仅仅局限于单一的主题或品牌？此次论文通过结合时间因素、图神经网络（Graph Neural Network）及上下文关联性，提出一种基于上下文环境的时间感知融合的方法，有效地提升了推荐效果。
本篇博客文章主要基于CVPR 2020的一篇工作：《Learning to Explain: An Information-Theoretic Perspective on Model Interpretability》，这一工作提出了一个有效的信息理论方法——可解释学习(Interpretable Learning)，来解释模型的预测过程，并且利用这个解释来改善模型的性能。本篇文章将借鉴这种思想，从信息处理的角度出发，探讨推荐系统中的上下文关联性的建模和建模方法。
下面介绍一下论文的整体架构。

Architecture of the proposed model

首先，模型由两部分组成：特征抽取模块（Feature Ext