面向推荐系统的联合神经协同过滤方法
信息检索
2019-07-11 v2
摘要
我们提出了一种用于推荐系统的 J-NCF 方法。J-NCF 模型采用一个联合神经网络，将基于评分矩阵的深度特征学习与深度交互建模相耦合。深度特征学习借助基于用户-项目评分矩阵的深度学习架构提取用户与项目的特征表示。深度交互建模利用深度特征学习过程生成的特征表示作为输入，通过深度神经网络捕捉非线性的用户-项目交互。J-NCF 通过联合训练使深度特征学习与深度交互建模过程相互优化，从而提升推荐性能。此外，我们设计了一种新的损失函数用于优化，其同时考虑了隐式与显式反馈、逐点损失与成对损失。在多个真实数据集上的实验表明，J-NCF 相较于最先进的方法取得了显著提升：在 MovieLens 100K 数据集上 HR@10 提升达 8.24%，在 MovieLens 1M 数据集上达 10.81%，在 Amazon Movies 数据集上达 10.21%；NDCG@10 提升分别为 12.42%、14.24% 和 15.06%。我们还进行了实验以评估 J-NCF 的可扩展性与敏感性。实验表明，与最先进的基线方法相比，J-NCF 模型在不活跃用户及不同数据稀疏度下均具有具有竞争力的推荐性能。
引用
@article{arxiv.1907.03459,
title = {Joint Neural Collaborative Filtering for Recommender Systems},
author = {Wanyu Chen and Fei Cai and Honghui Chen and Maarten de Rijke},
journal= {arXiv preprint arXiv:1907.03459},
year = {2019}
}
备注
30 pages