深度协同演化网络：嵌入用户与物品特征用于推荐
机器学习
2017-03-01 v4 信息检索
摘要
推荐系统通常使用潜在特征来解释用户行为并捕捉物品属性。随着用户随时间与不同物品进行交互，用户和物品特征会相互影响，并随时间演化和协同演化。用户与物品特征的兼容性进一步影响了用户与物品之间的未来交互。近年来，文献中提出了基于点过程的模型，旨在捕捉这些潜在特征随时间演化的特性。然而，这些模型通常对用户和物品潜在特征的演化过程做出强烈的参数化假设，这可能无法反映现实情况，且在表达这些过程背后的复杂非线性动力学方面能力有限。为了解决这些局限性，我们提出了一种新颖的深度协同演化网络模型 (DeepCoevolve)，基于用户与物品的交互图来学习其特征。DeepCoevolve 在演化网络上使用循环神经网络 (RNN) 来定义点过程中的强度函数，这使得模型能够捕捉用户与物品之间复杂的相互影响以及特征随时间的演化。我们还开发了一种高效的模型参数训练过程，并表明与之前的最先进参数化模型相比，所学习的模型在推荐和活动预测方面取得了显著提升。
引用
@article{arxiv.1609.03675,
title = {Deep Coevolutionary Network: Embedding User and Item Features for Recommendation},
author = {Hanjun Dai and Yichen Wang and Rakshit Trivedi and Le Song},
journal= {arXiv preprint arXiv:1609.03675},
year = {2017}
}
备注
Recsys Workshop on Deep Learning for Recommendation Systems (DLRS '16)