SAIN：用于推荐的自注意力集成网络
信息检索
2019-11-07 v2 机器学习
机器学习
摘要
随着个性化推荐的重要性日益增长，近年来提出了众多推荐模型。其中，基于矩阵分解（Matrix Factorization, MF）的模型因其高性能在推荐领域应用最为广泛。然而，基于 MF 的模型存在用户-物品交互稀疏的冷启动问题。为应对该问题，已有利用用户和物品辅助属性的基于内容的推荐模型被提出。由于这些模型使用辅助属性，它们在冷启动场景下十分有效。然而，大多数已有模型要么无法捕捉复杂特征交互，要么未能合理设计以将用户-物品反馈信息与内容信息相结合。本文提出自注意力集成网络（Self-Attentive Integration Network, SAIN），该模型可有效结合用户-物品反馈信息与辅助信息以完成推荐任务。在 SAIN 中，特征级交互层使用自注意力机制以有效考虑多个特征间的交互，而信息集成层自适应地结合内容与反馈信息。在两个公开数据集上的实验结果表明，我们的模型以 2.13% 的优势超越最先进（state-of-the-art, SOTA）模型。
引用
@article{arxiv.1905.13130,
title = {SAIN: Self-Attentive Integration Network for Recommendation},
author = {Seoungjun Yun and Raehyun Kim and Miyoung Ko and Jaewoo Kang},
journal= {arXiv preprint arXiv:1905.13130},
year = {2019}
}
备注
SIGIR 2019