用于上下文感知推荐的成对交互图注意力网络
信息检索
2019-11-19 v1 机器学习
摘要
上下文感知推荐系统(CARS)通过考虑丰富侧信息以提升推荐性能,已在学术界与工业界引起越来越多关注。如何从多样上下文特征预测用户偏好是CARS的核心。若干近期模型关注用户行为,并使用专门设计的结构从历史行为中提取自适应用户兴趣。然而,极少有工作考虑物品历史交互,导致物品特征表示与物品吸引力提取不足。基于这些观察,我们将用户-物品交互建模为动态交互图(DIG),并提出一种基于GNN的模型——成对交互图注意力网络(PIGAT),以同时捕捉动态用户兴趣与物品吸引力。PIGAT引入注意力机制,考虑每个交互过的用户/物品对用户与物品双方的重要性,从而捕捉用户兴趣、物品吸引力及其对推荐上下文的影响。此外,对交互施加置信度嵌入以区分不同时间发生交互的置信度。由此生成更具表达力的用户/物品表示与自适应交互特征,尤利于涉及长尾物品的推荐性能。我们在三个真实数据集上实验以证明PIGAT的有效性。
引用
@article{arxiv.1911.07429,
title = {Pairwise Interactive Graph Attention Network for Context-Aware Recommendation},
author = {Yahui Liu and Furao Shen and Jian Zhao},
journal= {arXiv preprint arXiv:1911.07429},
year = {2019}
}
备注
8 pages