现有的基于注意力机制的推荐模型存在一些改进的余地。很多模型只在生成用户的表示时应用了粗粒度的注意力机制,少数改进的模型尽管在注意力模块中加入了物品的属性(特征)信息,即融入了物品的相关知识,但仍然仅在用户表示这一端应用了注意力机制。针对这些问题,本文提出了一种在用户表示端与物品表示端协同应用(物品)属性级注意力机制的深度推荐模型,简称ACAM(Attribute-level Co-Attention Model),其主要特性为: (1)物品与用户的初始表示基于知识图谱中物品属性的表示(向量),而非单一的随机初始化向量。 (2)内建协同注意力机制模块,通过捕获不同属性之间的关联来增强用户和物品的表示,这是考虑到不同的物品属性(特征)之间可能存在相关性。例如,电影的属性中,演员史泰龙与动作题材高度相关,演员巩俐与导演张艺谋也很相关。因此,基于属性相关性来增强用户/物品表示能够更加精确地揭示目标用户和候选物品之间的潜在关系,从而提升推荐性能。 (3)采用多任务学习的框架来训练损失函数,融入知识(嵌入)表示学习的目标,以习得更优的物品和物品属性的表示。

ACAM模型输入为目标用户和候选物品,输出为两者匹配的概率 ,其值越大表明越可能喜欢。模型的架构如下图所示,可分为三个部分:嵌入层、协同注意力机制层与预测层,下面将分别介绍每层的设计细节。

成为VIP会员查看完整内容
88

相关内容

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【SIGIR2020】用于冷启动推荐的内容感知神经哈希
专知会员服务
22+阅读 · 2020年6月2日
注意力图神经网络的多标签文本分类
专知会员服务
111+阅读 · 2020年3月28日
专知会员服务
84+阅读 · 2020年1月20日
ACL 2019开源论文 | 基于Attention的知识图谱关系预测
论文浅尝 | 基于知识图谱中图卷积神经网络的推荐系统
开放知识图谱
67+阅读 · 2019年8月27日
论文浅尝 | DKN: 面向新闻推荐的深度知识感知网络
开放知识图谱
21+阅读 · 2019年5月1日
论文浅尝 | 基于图注意力的常识对话生成
开放知识图谱
8+阅读 · 2019年2月5日
【推荐系统】详解基于内容的推荐算法
产业智能官
23+阅读 · 2018年1月11日
Arxiv
91+阅读 · 2020年2月28日
Arxiv
3+阅读 · 2018年12月21日
Next Item Recommendation with Self-Attention
Arxiv
5+阅读 · 2018年8月25日
Arxiv
6+阅读 · 2018年5月18日
Arxiv
13+阅读 · 2018年4月18日
Arxiv
6+阅读 · 2018年3月28日
Arxiv
9+阅读 · 2018年1月30日
Arxiv
5+阅读 · 2017年11月13日
VIP会员
相关论文
Arxiv
91+阅读 · 2020年2月28日
Arxiv
3+阅读 · 2018年12月21日
Next Item Recommendation with Self-Attention
Arxiv
5+阅读 · 2018年8月25日
Arxiv
6+阅读 · 2018年5月18日
Arxiv
13+阅读 · 2018年4月18日
Arxiv
6+阅读 · 2018年3月28日
Arxiv
9+阅读 · 2018年1月30日
Arxiv
5+阅读 · 2017年11月13日
微信扫码咨询专知VIP会员