在内容感知电影推荐中利用长短期信息
信息检索
2018-06-27 v5
摘要
电影推荐系统基于个人偏好与约束为用户提供电影排序列表。两类模型常用于生成排序结果：长期模型与基于会话的模型。长期模型表征用户与电影之间随时间缓慢变化的交互，而基于会话的模型在短期内编码用户兴趣及电影属性变化动态。本文中，我们提出 LSIC 模型，利用对抗训练在内容感知电影推荐中融合长短期信息（Leveraging Long and Short-term Information in Content-aware movie recommendation）。在对抗过程中，我们训练一个生成器作为强化学习智能体，按顺序向用户推荐下一部电影。我们还训练一个判别器，试图将生成的电影列表与真实记录区分开。电影海报信息被整合以进一步提升电影推荐性能，这在可用评分极少时尤为关键。实验表明所提模型相较竞争模型具有稳健优越性并达到了 SOTA。我们将在发表后发布本工作的源代码。
引用
@article{arxiv.1712.09059,
title = {Leveraging Long and Short-term Information in Content-aware Movie Recommendation},
author = {Wei Zhao and Haixia Chai and Benyou Wang and Jianbo Ye and Min Yang and Zhou Zhao and Xiaojun Chen},
journal= {arXiv preprint arXiv:1712.09059},
year = {2018}
}