面向物品推荐的一种上下文感知用户-物品表示学习
信息检索
2018-01-01 v5
摘要
评论与用户-物品交互 (即评分) 已被广泛用于用户评分预测。然而,这些现有技术主要以独立且静态的方式提取用户与物品的潜在表示。即,在不考虑各候选物品特定特征的情况下,导出单一静态特征向量来编码其偏好。我们认为这种静态编码方案难以充分捕捉用户偏好。本文提出一种用于评分预测的上下文感知用户-物品表示学习模型,名为 CARL。即,CARL 基于给定用户-物品对的个体潜在特征与潜在特征交互导出联合表示。随后,CARL 采用因子分解机 (Factorization Machines) 在用户-物品对基础上进一步建模高阶特征交互以进行评分预测。具体而言,CARL 中设计了两个独立学习组件分别利用评论数据与交互数据:基于评论的特征学习与基于交互的特征学习。在基于评论的学习组件中,通过卷积操作与注意力机制,联合考虑用户-物品对相应评论来提取相关特征。然而,这些特征仅由评论驱动,可能不够全面。因此,基于交互的学习组件进一步单独从交互数据中提取互补特征,同样基于用户-物品对。最终评分通过动态线性融合机制得出。在五个真实世界数据集上的实验表明,CARL 取得了显著优于现有最先进替代方法的评分预测精度。此外,借助注意力机制,我们展示了评论中的相关信息可被高亮以解释评分预测。
引用
@article{arxiv.1712.02342,
title = {A Context-Aware User-Item Representation Learning for Item Recommendation},
author = {Libing Wu and Cong Quan and Chenliang Li and Qian Wang and Bolong Zheng},
journal= {arXiv preprint arXiv:1712.02342},
year = {2018}
}
备注
Submitted to the IEEE Transactions on Knowledge and Data Engineering