Online social networks, such as Facebook and Twitter, enable users to share their shopping/travel experiences with their friends. However the influence on users’ decision-making on next visit/buy has sparse research exposure, by accurately modeling long-term user behaviors from historical data. The existing methods do not fully take advantage of the underlying social networks to model user interests, nor they have not modeled long-term transitional behavior patterns. In this paper, we propose a novel Social Influence aware and Memory augmented Sequence learning (SIMS) model, on what a user will likely buy/visit next. Specifically, SIMS first learns a representation for the visiting/purchasing sequence of each user using the sequence-to-sequence learning method. Then it predicts the interest of a user by integrating the representation of his/her own sequence, with another representation of the corresponding social influence, which is learned using an autoencoder-based model. In addition, we leverage an emerging memory augmented neural network, Differentiable Neural Computer (DNC), to further improve prediction accuracy. We conduct extensive experiments to evaluate the proposed model using three real-world datasets, Yelp, Epinions and Ciao. When compared with 10 other baselines and state-of-the-art solutions, the experimental results show that 1) the proposed model significantly outperforms all other methods in terms of various accuracy-related metrics; 2) the proposed social influence modeling and memory augmentation do lead to the performance gain.

中文翻译：

---

通过记忆增强序列学习在具有在线社交网络影响力的用户兴趣中建模

在线社交网络，例如Facebook和Twitter，使用户可以与朋友分享他们的购物/旅行体验。但是，通过根据历史数据准确地建模长期用户行为，对用户下次访问/购买决策的影响很少见。现有方法没有充分利用基础社交网络来建模用户兴趣，也没有建模长期的过渡行为模式。在本文中，我们提出了一个新颖的“社交影响感知和记忆增强序列学习（SIMS）”模型，该模型可以帮助用户下一步购买/访问。具体地，SIMS首先使用序列到序列学习方法来学习每个用户的访问/购买序列的表示。然后，它将用户自己的序列表示与相应的社会影响力的另一种表示方式相结合，从而预测用户的兴趣，这种表示方式是使用基于自动编码器的模型来学习的。此外，我们利用新兴的记忆增强神经网络，可微分神经计算机（DNC），进一步提高了预测准确性。我们进行了广泛的实验，以使用三个真实世界的数据集Yelp，Epinions和Ciao评估提出的模型。与其他10个基线和最新解决方案进行比较时，实验结果表明：1）在各种与准确性相关的指标方面，所提出的模型明显优于所有其他方法；2）所提出的社会影响力建模和记忆增强确实可以提高绩效。并使用基于自动编码器的模型学习相应社会影响力的另一种表示形式。此外，我们利用新兴的记忆增强神经网络，可微分神经计算机（DNC），进一步提高了预测准确性。我们进行了广泛的实验，以使用三个真实世界的数据集Yelp，Epinions和Ciao评估提出的模型。与其他10个基线和最新解决方案进行比较时，实验结果表明：1）在各种与准确性相关的指标方面，所提出的模型明显优于所有其他方法；2）所提出的社会影响力建模和记忆增强确实可以提高绩效。并使用基于自动编码器的模型学习相应社会影响力的另一种表示形式。此外，我们利用新兴的记忆增强神经网络，可微分神经计算机（DNC），进一步提高了预测准确性。我们进行了广泛的实验，以使用三个真实世界的数据集Yelp，Epinions和Ciao评估提出的模型。与其他10个基线和最新解决方案进行比较时，实验结果表明：1）在各种与准确性相关的指标方面，所提出的模型明显优于所有其他方法；2）所提出的社会影响力建模和记忆增强确实可以提高绩效。微分神经计算机（DNC），以进一步提高预测准确性。我们进行了广泛的实验，以使用三个真实世界的数据集Yelp，Epinions和Ciao评估提出的模型。与其他10个基线和最新解决方案进行比较时，实验结果表明：1）在各种与准确性相关的指标方面，所提出的模型明显优于所有其他方法；2）所提出的社会影响力建模和记忆增强确实可以提高绩效。微分神经计算机（DNC），以进一步提高预测准确性。我们进行了广泛的实验，以使用三个真实世界的数据集Yelp，Epinions和Ciao评估提出的模型。与其他10个基线和最新解决方案进行比较时，实验结果表明：1）在各种与准确性相关的指标方面，所提出的模型明显优于所有其他方法；2）所提出的社会影响力建模和记忆增强确实可以提高绩效。实验结果表明：1）在各种精度相关指标方面，所提出的模型明显优于所有其他方法；2）所提出的社会影响力建模和记忆增强确实可以提高绩效。实验结果表明：1）在各种精度相关指标方面，所提出的模型明显优于所有其他方法；2）所提出的社会影响力建模和记忆增强确实可以提高绩效。