用于推荐的交互式注意力门控循环网络
信息检索
2017-09-08 v2 人工智能
机器学习
社会与信息网络
摘要
捕获用户针对物品的偏好的时间动态对于推荐十分重要。现有方法主要假设用户-物品交互历史中的所有时间步都与推荐同等相关，然而这并不适用于真实场景，因为用户-物品交互常常偶然发生。更重要的是，它们分别学习用户和物品动态，从而无法捕获它们对用户-物品交互的联合影响。为了更好地建模用户和物品动态，我们提出交互式注意力门控循环网络 (IARN)，其采用注意力模型来衡量每个时间步的相关性。特别地，我们提出一种新颖的注意力方案，以交互方式学习用户和物品历史的注意力分数，从而考虑用户和物品动态在形成用户-物品交互时的依赖关系。通过这样做，IARN 在预测用户对不同物品的偏好时，可以有选择地记忆用户历史的不同时间步。因此，我们的模型能够为推荐结果提供有意义的解读，并可通过辅助特征进一步增强。在真实数据集上的广泛验证表明，IARN 持续优于最先进的方法。
引用
@article{arxiv.1709.01532,
title = {Interacting Attention-gated Recurrent Networks for Recommendation},
author = {Wenjie Pei and Jie Yang and Zhu Sun and Jie Zhang and Alessandro Bozzon and David M. J. Tax},
journal= {arXiv preprint arXiv:1709.01532},
year = {2017}
}
备注
Accepted by ACM International Conference on Information and Knowledge Management (CIKM), 2017