面向 Top-N 推荐的深度基于物品的协同过滤
信息检索
2018-11-13 v1
摘要
基于物品的协同过滤（简称 ICF）因其在用户兴趣建模和在线个性化方面的优势，已在工业界推荐系统中被广泛采用。ICF 通过用用户已消费过的物品构建用户画像，来推荐与该画像相似的物品。随着近年来机器学习的普及，通过从数据中学习物品相似度（或表示），ICF 取得了显著进展。然而，我们认为大多数现有工作仅考虑了物品间的线性和浅层关系，不足以捕捉用户复杂的决策过程。在本工作中，我们通过考虑物品间非线性和高阶关系，提出了一种更具表达力的 ICF 方案。除了仅建模两个物品间的二阶交互（如相似度）外，我们还通过使用非线性神经网络来考虑所有已交互物品对之间的交互。通过这种方式，我们能有效建模物品间的高阶关系，捕捉用户决策中更复杂的效应。例如，它能区分用户画像中哪些历史物品集对影响用户做出某物品的购买决策更为重要。我们将该方案视为 ICF 的深度变体，故称之为 DeepICF。为验证我们的方案，我们在来自 MovieLens 和 Pinterest 的两个公开数据集上进行了实证研究。大量实验验证了利用非线性神经网络进行高阶物品交互建模的高度正向作用。此外，我们表明通过注意力网络进行更细粒度的二阶交互建模，可进一步提升我们 DeepICF 方法的性能。
引用
@article{arxiv.1811.04392,
title = {Deep Item-based Collaborative Filtering for Top-N Recommendation},
author = {Feng Xue and Xiangnan He and Xiang Wang and Jiandong Xu and Kai Liu and Richang Hong},
journal= {arXiv preprint arXiv:1811.04392},
year = {2018}
}
备注
25 pages, submitted to TOIS