基于多模态注意力度量学习的用户多样化偏好建模
信息检索
2019-08-22 v1 多媒体
摘要
大多数现有推荐系统用一个特征向量来表示用户的偏好，并在预测该用户对不同物品的偏好时假定该向量是固定的。然而，同一个向量无法准确捕捉用户对所有物品的变化偏好，尤其是在考虑到各种物品的多样化特征时。为解决此问题，本文提出一种新颖的多模态注意力度量学习（MAML）方法来建模用户针对不同物品的多样化偏好。具体而言，对于每个用户-物品对，我们提出一种注意力神经网络，利用物品的多模态特征来估计用户对该物品不同方面的特殊关注。所获得的注意力随后被整合进基于度量的学习方法中，以预测用户对该物品的偏好。度量学习的优势在于它能自然克服点积相似性的问题，该问题由基于矩阵分解（MF）的推荐模型所采用但不满足三角不等式性质。此外，值得指出的是，注意力机制不仅有助于建模用户针对不同物品的多样化偏好，还能克服协同度量学习引起的几何限制性问题。在大规模真实数据集上的大量实验表明，我们的模型能大幅优于最先进的基线方法，展示了建模用户多样化偏好用于推荐的潜力。
引用
@article{arxiv.1908.07738,
title = {User Diverse Preference Modeling by Multimodal Attentive Metric Learning},
author = {Fan Liu and Zhiyong Cheng and Changchang Sun and Yinglong Wang and Liqiang Nie and Mohan Kankanhalli},
journal= {arXiv preprint arXiv:1908.07738},
year = {2019}
}
备注
Accepted by ACM Multimedia 2019 as a full paper