迁移遇见混合：一种融合文本的跨域协同过滤合成方法
人工智能
2020-10-19 v1 信息检索
机器学习
摘要
协同过滤（CF）是推荐系统（RSs）的关键技术。CF 仅利用用户-物品行为交互（例如点击）因而面临数据稀疏问题。一个研究脉络是整合辅助信息如产品评论和新闻标题，产生了混合过滤方法。另一脉络是从其他源域迁移知识，例如利用图书域知识改进电影推荐，产生了迁移学习方法。在现实生活中，没有任何单一服务能满足用户的所有信息需求。这促使我们在本文中同时利用辅助信息与源信息用于推荐系统。我们提出了一种新颖的神经模型，以端到端方式顺畅实现融合文本的跨域推荐之迁移遇见混合（TMH）方法。TMH 通过记忆模块注意力式提取非结构化文本中的有用内容，并通过迁移网络选择性地从源域迁移知识。在两个真实数据集上，TMH 在三个排序指标上相比多种基线表现出更优性能。我们进行了透彻分析以理解文本内容与迁移知识如何帮助所提模型。
引用
@article{arxiv.1901.07199,
title = {Transfer Meets Hybrid: A Synthetic Approach for Cross-Domain Collaborative Filtering with Text},
author = {Guangneng Hu and Yu Zhang and Qiang Yang},
journal= {arXiv preprint arXiv:1901.07199},
year = {2020}
}
备注
11 pages, 7 figures, a full version for the WWW 2019 short paper