基于神经网络学习用户嵌入的融合策略
机器学习
2019-01-09 v1 人工智能
机器学习
摘要
日益增长的在线用户数据催生了对自动化处理技术的需求。在用户评分情形下，一个有趣的选项是使用神经网络来学习给定物品与用户预测评分。这种在预测训练的同时，也将每个用户映射为一个向量（即所谓的用户嵌入）。此类嵌入可用于估计用户相似度等。然而，物品与用户信息在神经网络中有多种结合方式，且结合方式如何影响所得嵌入尚不清楚。本文在电影评分数据上开展实验，分析神经网络中若干融合策略对嵌入质量的影响。为评估嵌入质量，我们提出一种新度量——成对距离相关性（Pair-Distance Correlation），其量化了相似用户应具有相似嵌入向量的条件。我们发现融合策略在预测性能与嵌入质量两方面均影响结果。令人惊讶的是，我们发现预测性能未必反映嵌入质量。这表明若关注嵌入，基于预测能力选择模型的常见倾向应被重新考虑。
引用
@article{arxiv.1901.02322,
title = {Fusion Strategies for Learning User Embeddings with Neural Networks},
author = {Philipp Blandfort and Tushar Karayil and Federico Raue and Jörn Hees and Andreas Dengel},
journal= {arXiv preprint arXiv:1901.02322},
year = {2019}
}
备注
submitted to IJCNN 2019