MV-RNN：一种用于序列化推荐的多视图循环神经网络
信息检索
2018-11-21 v2
摘要
序列化推荐是网络应用中的一项基础任务，由于用户反馈不足，它通常面临物品冷启动问题。目前有三种主流方法，分别基于协同过滤的矩阵分解（MF）、马尔可夫链（MC）和循环神经网络（RNN）。尽管这些方法被广泛使用，但它们存在一些局限性。基于MF的方法无法捕捉动态的用户兴趣。强马尔可夫假设极大地限制了基于MC方法的性能。基于RNN的方法在融合附加信息方面仍处于早期阶段。在这些基础模型之上，许多利用附加信息的方法仅验证了以独立方式融合单一模态。在本工作中，为了进行序列化推荐并解决物品冷启动问题，我们提出了一种多视图循环神经网络（MV-RNN）模型。给定潜在特征，MV-RNN可以通过融合视觉和文本信息来缓解物品冷启动问题。首先，在MV-RNN的输入端，研究了多视图特征的三种不同组合方式，如拼接、加法融合以及通过重构原始多模态数据进行融合。MV-RNN应用循环结构来动态捕捉用户的兴趣。其次，我们在MV-RNN的隐藏状态上设计了分离结构和联合结构，以探索处理多视图特征的更有效方式。在两个真实数据集上的实验表明，MV-RNN能够有效地生成个性化排序列表，解决缺失模态问题，并显著缓解物品冷启动问题。
引用
@article{arxiv.1611.06668,
title = {MV-RNN: A Multi-View Recurrent Neural Network for Sequential Recommendation},
author = {Qiang Cui and Shu Wu and Qiang Liu and Wen Zhong and Liang Wang},
journal= {arXiv preprint arXiv:1611.06668},
year = {2018}
}