用于推荐系统的协同记忆网络

推荐系统在现代在线平台中起着至关重要的作用，通过个性化内容保持用户的参与度。深度学习已经彻底改变了许多研究领域，近期将其应用于协同过滤（CF）的兴趣也日益高涨。然而，现有方法将深度学习架构与潜在因子模型相结合，忽略了CF模型的一个主要类别——基于邻域或基于记忆的方法。我们提出了协同记忆网络（CMN），这是一种深度架构，以非线性方式融合了潜在因子模型的全局结构优势和基于局部邻域的结构优势，从而统一了这两类CF模型。受记忆网络成功的启发，我们将记忆组件和神经注意力机制作为邻域组件进行融合。记忆模块中用户和项目记忆的关联寻址方案编码了复杂的用户-项目关系，并结合神经注意力机制来学习特定于用户-项目的邻域。最后，输出模块联合利用邻域与用户和项目记忆来生成排序分数。将多个记忆模块堆叠在一起可形成更深的架构，以捕获日益复杂的用户-项目关系。此外，我们展示了CMN组件、记忆网络和三类CF模型之间的紧密联系。全面的实验结果证明了CMN在三个公共数据集上的有效性，其表现优于有竞争力的基线。注意力权重的定性可视化提供了对模型推荐过程的深入理解，并表明存在高阶交互。