利用用户与物品嵌入正则化矩阵分解的推荐方法
信息检索
2018-09-05 v1 人工智能
摘要
继近期在推荐中同时利用隐因子与词嵌入模型取得成功之后，我们提出了一种新颖的基于正则化多嵌入(RME)的推荐模型，该模型通过分解同时封装以下思想：(1)用户喜欢哪些物品，(2)哪两个用户共同喜欢相同物品，(3)哪两个物品常被用户共同喜欢，以及(4)哪两个物品常被用户共同不喜欢。在实验验证中，RME在显式与隐式反馈数据集上均优于领先的先进模型，将Recall@5显著提升5.9~7.0%、NDCG@20提升4.3~5.6%、MAP@10提升7.9~8.9%。此外，在交互次数最少的用户冷启动场景下，相较于对比模型，RME在MovieLens-10M与MovieLens-20M数据集上分别将NDCG@5提升20.2%与29.4%。我们的数据集与源代码见：https://github.com/thanhdtran/RME.git。
引用
@article{arxiv.1809.00979,
title = {Regularizing Matrix Factorization with User and Item Embeddings for Recommendation},
author = {Thanh Tran and Kyumin Lee and Yiming Liao and Dongwon Lee},
journal= {arXiv preprint arXiv:1809.00979},
year = {2018}
}
备注
CIKM 2018