利用附加信息进行精确推荐的数据上下文自适应方法

给定一个稀疏的评分矩阵和一个用户或物品的辅助矩阵，我们如何能在考虑实体不同数据上下文的情况下准确预测缺失评分？许多先前的研究证明，利用附加信息与评分数据有助于提高性能。然而，现有方法存在局限性：1）它们忽略了评分矩阵和辅助矩阵的数据上下文不同这一事实；2）它们表达用户或物品独立信息的能力有限；3）它们假设用户和物品之间的关系是线性的。我们提出了DaConA，这是一种基于神经网络的推荐方法，它利用评分矩阵和辅助矩阵。DaConA的设计基于以下三个主要思想。首先，我们提出了一个数据上下文自适应层，以提取针对不同数据上下文的相关特征。其次，DaConA用潜在交互向量和潜在独立向量来表示每个实体。与先前方法不同，这两个向量的大小均不受限制。最后，先前基于矩阵分解的方法通过潜在向量的内积来预测缺失值，而DaConA则通过神经网络学习它们的非线性函数。我们证明DaConA是一种广义算法，将标准矩阵分解和集体矩阵分解作为特例包含在内。通过在真实世界数据集上的综合实验，我们证明DaConA提供了最先进的准确性。