基于注意力機制的深度協同過濾模型

謝恩寧,何靈敏,王修暉

(中國計量大學 信息工程學院,浙江 杭州 310018)

隨著科技的迅猛發展,人們生活中所接觸到的信息規模也呈現井噴式增長。為了緩解海量數據檢索給人們日常生活帶來的不便,推薦系統應運而生。推薦系統一般被定義為:能夠通過分析用戶行為,對用戶興趣進行建模,從而達到預測用戶興趣并給用戶做推薦的目的。推薦系統是幫助用戶發現內容,克服信息過載的重要工具。

對于推薦系統領域中傳統的推薦算法而言,應用最廣泛的是協同過濾算法(Collaborative filtering,CF)[1-2]。目前眾多杰出的推薦算法都是基于協同過濾算法,其主要思想是利用用戶和項目之間的歷史交互信息,對用戶和其感興趣的項目進行建模,從而給出最后的推薦[3-4]。縱觀不同類型的協同過濾算法,矩陣分解算法(Matrix factorization,MF)是其中最為流行的推薦算法之一[2,5]。基于矩陣分解的協同過濾算法同樣對用戶和項目之間產生的歷史交互信息進行建模,區別在于該方法分別用一個隱式向量代表用戶和項目,而用戶和項目之間產生的交互則用隱式向量間的內積來表示。此前大量研究人員致力于使用傳統方法增強基于矩陣分解的協同過濾算法,例如,拓展矩陣分解算法到因式分解機[6]、將包含項目內容的主題模型結合到矩陣分解算法[7]，以及與最近鄰模型相整合[2]。盡管,上述研究提出的方法能夠提升推薦系統的推薦效果。但是,基于矩陣分解的協同過濾算法提供的推薦性能還是會受到隱式向量間內積操作的限制[5]。……