通过卷积神经协同过滤建模嵌入维度相关性
信息检索
2019-06-27 v1 机器学习
摘要
作为推荐系统的核心，协同过滤 (CF) 根据用户与物品的历史交互（如点击、购买等）建模两者之间的亲和度。受益于强大的表示能力，神经网络近年来彻底改变了推荐研究，为协同过滤设立了新标准。然而，现有的神经推荐模型未显式考虑嵌入维度之间的相关性，导致其在建模用户与物品交互函数时效果欠佳。本工作强调在神经网络中建模嵌入维度间的相关性，以追求更高的协同过滤效能。我们提出了一种新颖且通用的神经协同过滤框架，名为 ConvNCF，其具有两个设计特点：1) 对用户嵌入和物品嵌入应用外积，以显式建模嵌入维度间的成对相关性；2) 在外积之上使用卷积神经网络，以学习嵌入维度间的高阶相关性。为验证我们的提议，我们通过使用不同输入表示用户，给出了 ConvNCF 的三种实例化，并在两个真实数据集上进行了实验。大量结果验证了利用 ConvNCF 建模嵌入维度相关性的效用，其性能优于多种有竞争力的协同过滤方法。
引用
@article{arxiv.1906.11171,
title = {Modeling Embedding Dimension Correlations via Convolutional Neural Collaborative Filtering},
author = {Xiaoyu Du and Xiangnan He and Fajie Yuan and Jinhui Tang and Zhiguang Qin and Tat-Seng Chua},
journal= {arXiv preprint arXiv:1906.11171},
year = {2019}
}
备注
TOIS Minor