一类用于单类协同过滤中多面偏好学习的注意力自编码器
信息检索
2020-10-27 v1 机器学习
摘要
大多数现有的单类协同过滤（OC-CF）算法通过编码用户的历史交互，将其偏好估计为一个隐向量。然而，用户往往表现出多样化的兴趣，这显著增加了学习难度。为了捕捉多面的用户偏好，现有的推荐系统要么增加编码复杂度，要么扩展隐表示维度。遗憾的是，这些改变不可避免地导致训练难度增加并加剧可扩展性问题。在本文中，我们提出了一种新颖且高效的协同过滤框架，称为注意力多模态自动记录器（AMA），它显式地追踪用户偏好的多个方面。具体而言，我们将基于自动编码的推荐模型 AutoRec 扩展为以多模态隐表示来学习用户偏好，其中每种模态捕捉用户偏好的一个方面。通过利用注意力机制，每次观测到的交互对偏好各方面的贡献可以不同。通过在三个真实世界数据集上的大量实验，我们表明 AMA 在 OC-CF 设定下与最先进的模型具有竞争力。此外，我们展示了所提模型如何通过利用注意力机制提供解释来增强可解释性。
引用
@article{arxiv.2010.12803,
title = {Attentive Autoencoders for Multifaceted Preference Learning in One-class Collaborative Filtering},
author = {Zheda Mai and Ga Wu and Kai Luo and Scott Sanner},
journal= {arXiv preprint arXiv:2010.12803},
year = {2020}
}
备注
Accepted at ICDMW 2020