视觉推荐中的偏好与需求学习
信息检索
2019-11-12 v1
摘要
视觉信息是推荐系统中的一个重要因素，其中用户的选择由两部分组成：\emph{偏好}与\emph{需求}。已有一些研究对视觉推荐中的用户偏好进行建模。然而，传统方法在共同的视觉特征空间中对物品建模，可能难以捕捉物品的\emph{风格}。我们提出一种 DeepStyle 方法用于学习物品的风格特征。DeepStyle 基于卷积神经网络（CNN）架构，消除了在原始视觉特征空间中占主导的物品类别信息。对于建模用户对不同类别物品的需求，该问题可表述为带有上下文与序列信息的推荐。为解决此问题，我们提出一种上下文感知门控循环单元（CA-GRU）方法，可同时捕捉序列与上下文信息。此外，对偏好与需求预测（即由 DeepStyle 和 CA-GRU 生成的预测）的聚合，能更完整地建模用户的选择行为。在真实数据集上的实验表明了我们所提方法在视觉推荐中的有效性。
引用
@article{arxiv.1911.04229,
title = {Learning Preferences and Demands in Visual Recommendation},
author = {Qiang Liu and Shu Wu and Liang Wang},
journal= {arXiv preprint arXiv:1911.04229},
year = {2019}
}