异构网络中利用多方面信息的深度协同过滤
信息检索
2019-09-17 v1 机器学习
社会与信息网络
摘要
近来，推荐系统在缓解信息过载问题中起着关键作用。潜在因子模型已被广泛用于推荐。大多数现有潜在因子模型主要利用用户与物品之间的交互信息，尽管一些近期扩展模型利用某些辅助信息来学习用户与物品的统一潜在因子。该统一潜在因子仅从购买历史方面表示用户特征与物品属性。然而，用户特征与物品属性可能源自不同方面，例如物品的品牌方面与类别方面。此外，潜在因子模型通常使用浅层投影，无法很好地捕捉用户与物品的特征。本文中，我们提出一种基于神经网络的方面级协同过滤模型（NeuACF）以利用不同的方面潜在因子。通过将推荐系统中的丰富对象属性与关系建模为异构信息网络，NeuACF 首先通过不同元路径分别提取用户与物品的不同方面级相似度矩阵，随后将这些矩阵输入精心设计的深度神经网络以学习方面级潜在因子。最后，方面级潜在因子被融合用于 Top-N 推荐。此外，为更有效地融合来自不同方面的信息，我们进一步提出 NeuACF++，利用自注意力机制融合方面级潜在因子。在三个真实世界数据集上的大量实验表明，NeuACF 与 NeuACF++ 显著优于现有潜在因子模型与近期神经网络模型。
引用
@article{arxiv.1909.06627,
title = {Deep Collaborative Filtering with Multi-Aspect Information in Heterogeneous Networks},
author = {Chuan Shi and Xiaotian Han and Li Song and Xiao Wang and Senzhang Wang and Junping Du and Philip S. Yu},
journal= {arXiv preprint arXiv:1909.06627},
year = {2019}
}