具有共享用户嵌入的跨属性矩阵分解模型
信息检索
2023-08-15 v1 人工智能
机器学习
摘要
过去几年，深度学习在计算机视觉、语音识别和自然语言处理等多个领域确立了强大能力。受其卓越成功的启发，研究者致力于将深度学习技术应用于推荐系统。神经协同过滤（NCF）与神经矩阵分解（NeuMF）以能够学习复杂且数据驱动函数的神经架构刷新了矩阵分解中的传统内积。尽管这些模型有效捕捉了用户-物品交互，却忽略了用户与物品的具体属性。这可能导致鲁棒性问题，尤其对于属于“长尾”的物品和用户。此类挑战在推荐系统中通常被视作冷启动问题的一部分。解决该问题的一种直接且直观的方法是利用物品与用户自身的特征和属性。本文提出一种改进的 NeuMF 模型，不仅考虑用户与物品间的交互，还考虑跨关联属性的交互。此外，我们所提架构具有共享用户嵌入，与用户嵌入无缝集成以提升鲁棒性并有效应对冷启动问题。在 Movielens 与 Pinterest 数据集上的严格实验证明了我们的跨属性矩阵分解模型的优越性，尤其在数据稀疏度较高的场景下。
引用
@article{arxiv.2308.07284,
title = {Cross-Attribute Matrix Factorization Model with Shared User Embedding},
author = {Wen Liang and Zeng Fan and Youzhi Liang and Jianguo Jia},
journal= {arXiv preprint arXiv:2308.07284},
year = {2023}
}