為了提供個性化推薦,推薦系統(tǒng)會將用戶和物品分別表達為用戶偏好向量和物品特征向量。物品特征向量中不同維度分別對應物品不同的特征。用戶偏好向量中各維度表示用戶對物品對應維度(特征)的喜好程度。目前大部分的推薦算法都假設為對于不同物品、同一用戶的偏好向量是相同的。然而在現(xiàn)實生活中,該假設是不成立的。為此,提出一種結(jié)合注意力機制的深度學習模型,其能根據(jù)不同的用戶-物品對,相應地學習到一個注意力權(quán)重向量,最終達到動態(tài)調(diào)整用戶偏好向量的目的。在3組公開數(shù)據(jù)集上進行對比實驗,以預測評分的均方誤差(MSE)作為評估指標,實驗結(jié)果表明該方法比已有的相關(guān)算法的效果更好。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖2DARR整體結(jié)構(gòu)

DARR從輸入階段到評分預測階段的整體流程如圖2所示。DARR共包括4大部分:

圖1CNN文本處理器結(jié)構(gòu)

CNN文本處理器的結(jié)構(gòu)如圖1所示。在第一層,詞映射函數(shù)f:M→Rd將評論的每個單詞映射為d維向量,然后將給定的評論文本轉(zhuǎn)化為長度固定為T的詞嵌入矩陣中(只截取評論文本中的前T個單詞,對長度不足的文本則進行填充處理)。詞映射層后的是卷積層,其包含m個神經(jīng)元,每個神經(jīng)元對應的卷積核K....

圖3隱因子數(shù)量對模型的影響對比

在不同隱因子數(shù)目(U和I的維度)的條件下,各變體和DARR的性能表現(xiàn)如圖3所示。圖3隱因子數(shù)量對模型的影響對比

圖3隱因子數(shù)量對模型的影響對比

圖3隱因子數(shù)量對模型的影響對比DARR-1直接取消注意力機制,用戶和物品的隱向量不隨“用戶-物品”對的不同而改變,該靜態(tài)隱因子的策略和以往工作相同(LFM,HFT,ConvMF,DeepCoNN和WCN),不符合現(xiàn)實中用戶關(guān)注點隨物品變化而發(fā)生轉(zhuǎn)變的情景,因此其結(jié)果最差。DAR....

本文編號：3908343