【SIGIR 2020】 基于协同注意力机制的知识增强推荐模型

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。