用于在线跨网络推荐的 LSTM 网络
机器学习
2020-09-04 v2 人工智能
信息检索
机器学习
摘要
跨网络推荐系统利用来自多个源网络的辅助信息来构建整体用户画像，并改善目标网络中的推荐。然而，我们发现现有跨网络解决方案存在两个主要局限，降低了整体推荐性能。现有模型（1）未能捕捉用户交互中复杂的非线性关系，（2）为离线场景设计，因此无法随 incoming 交互在线更新以捕捉推荐环境中的动态变化。我们提出了一种基于多层长短期记忆（LSTM）网络的在线解决方案来缓解这些问题。所提模型对标准 LSTM 包含三项主要扩展：第一，注意力门控机制以捕捉长期用户偏好变化；第二，高阶交互层以缓解数据稀疏性；第三，时间感知 LSTM 单元门以捕捉用户交互间的不规则时间间隔。我们利用来自 Twitter 和 Google Plus 的辅助信息来改善 YouTube 上的推荐。大量实验表明，所提模型在准确性、多样性和新颖性方面持续优于最先进水平。
引用
@article{arxiv.2008.10849,
title = {LSTM Networks for Online Cross-Network Recommendations},
author = {Dilruk Perera and Roger Zimmermann},
journal= {arXiv preprint arXiv:2008.10849},
year = {2020}
}