CARCA：基于交叉注意力的上下文与属性感知下一物品推荐
信息检索
2022-09-21 v1 人工智能
摘要
在稀疏推荐场景中，用户的上下文与物品属性对决定下一步推荐哪些物品起着关键作用。尽管如此，近期序列与时间感知推荐的工作通常要么忽略这两方面，要么仅考虑其中之一，限制了其预测性能。本文通过提出一种上下文与属性感知推荐模型（CARCA）来解决这些局限，该模型可通过专用的多头自注意力块捕获用户画像在上下文特征与物品属性方面的动态特性，并提取画像级特征及预测物品得分。此外，不同于许多当前最先进的序列物品推荐方法使用最近物品的潜特征与目标物品嵌入之间的简单点积进行打分，CARCA 使用所有画像物品与目标物品之间的交叉注意力来预测其最终得分。该交叉注意力使 CARCA 能够利用用户画像中旧物品与近期物品之间的相关性及其对决定下一步推荐物品的影响。在四个真实推荐系统数据集上的实验表明，所提模型在物品推荐任务上显著优于所有最先进模型，并在归一化折损累计增益（NDCG）与命中率上取得最高达 53% 的提升。结果还显示，CARCA 仅以黑盒方式利用从预训练 ResNet50 提取的图像属性，便优于若干最先进的专用基于图像的推荐系统。
引用
@article{arxiv.2204.06519,
title = {CARCA: Context and Attribute-Aware Next-Item Recommendation via Cross-Attention},
author = {Ahmed Rashed and Shereen Elsayed and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2204.06519},
year = {2022}
}