面向互补推荐的组合视觉连贯性学习
信息检索
2020-06-09 v1 计算机视觉与模式识别
机器学习
摘要
互补推荐旨在为用户提供与其已购商品互补且兼容的产品建议，近年来已成为学术界和工业界的热点话题。现有工作主要聚焦于建模两个物品之间的共同购买关系，但物品集合的组合关联在很大程度上未被探索。实际上，当用户为已购产品选择互补物品时，直觉上她除了考虑整体印象外，还会考虑视觉语义连贯性（如颜色搭配、纹理兼容性）。为此，本文提出一种新颖的内容注意力神经网络（CANN）来建模全局内容与语义内容上的综合组合连贯性。具体而言，我们首先提出基于多头注意力的全局连贯性学习（GCL）模块来建模全局组合连贯性。然后，我们从不同语义区域生成语义聚焦表示，并设计焦点连贯性学习（FCL）模块从不同语义聚焦表示中学习焦点组合连贯性。最后，我们以一种新的组合优化策略优化 CANN。在大规模真实数据上的大量实验清楚地证明了 CANN 相较于几种最先进（SOTA）方法的有效性。
引用
@article{arxiv.2006.04380,
title = {Learning the Compositional Visual Coherence for Complementary Recommendations},
author = {Zhi Li and Bo Wu and Qi Liu and Likang Wu and Hongke Zhao and Tao Mei},
journal= {arXiv preprint arXiv:2006.04380},
year = {2020}
}
备注
Early version accepted by IJCAI2020