用于推荐的特征级注意力基于物品的协同过滤

基于物品的协同过滤（ICF）具有推荐精度高和易于在线惩罚的优点，因此受到工业推荐系统的青睐。ICF 基于候选物品与用户先前交互物品的相似度向目标用户推荐物品。近年来，通过应用先进的机器学习技术（例如深度神经网络）从数据中学习物品相似度，ICF 取得了重大进展。早期方法简单地将所有历史物品同等对待，而近期提出的方法试图在推荐目标物品时区分历史物品的不同重要性。尽管取得了进展，我们认为这些 ICF 模型忽略了用户采用物品时的多样化意图（例如，因导演、主演或视觉效果而观看一部电影）。因此，它们无法在更细粒度层面上估计物品相似度以预测用户对某物品的偏好，导致次优推荐。本文提出一种用于 ICF 模型的通用特征级注意力方法。我们方法的关键在于计算用于预测的物品相似度时区分不同因素的重要性。为证明方法有效性，我们设计了一个轻量注意力神经网络，将物品级和特征级注意力集成到神经 ICF 模型中。它是模型无关的且易于实现。我们将其应用于两个基线 ICF 模型，并在六个公开数据集上评估其有效性。大量实验表明，特征级注意力增强的模型始终优于其对应模型，展示了在特征级区分用户意图对于 ICF 推荐模型的潜力。