Social Attentional Memory Network: Modeling Aspect- and Friend-level Differences in Recommendation
Chong Che, Min Zhang, Yiqun Liu, Shaoping Ma
Tsinghua University
http://www.thuir.cn/group/~mzhang/publications/WSDM2019ChenChong.pdf
社交关系有助于用户潜在偏好建模,可以提升推荐系统的效果。但是,在社交感知的推荐中,有两个问题会对用户偏好的推理造成影响,其一即为,用户的偏好可能跟他的朋友只在特定方面具有一部分的匹配,尤其是某个用户具有多种兴趣的时候;其二即为,对于某个用户来说,他朋友对其影响的程度可能不同,并不是所有朋友对用户偏好建模同样有帮助。这两点在现有方法中并没有得到比较好的研究。
为了解决上述问题,这篇文章提出一种新的社交注意力记忆网络(SAMN),该网络可以用于社交感知的推荐。作者们首先设计了一种基于注意力的记忆模块来学习用户及其朋友之间的关系向量,该模块可以捕捉用户跟其不同朋友之间共享的各方面的注意力。然后,构建一个朋友级别的注意力组件来自适应选择信息多的朋友进行用户建模。这两种模块融合在一起相互增强,进而得到一种扩展模型。
三个公开数据集上的实验结果表明,SAMN一致显著优于STOA推荐方法。
不同的用户关系图示如下
这篇文章的主要贡献如下
部分现有基于深度学习的推荐模型有以下几个
部分基于注意力的推荐系统模型有以下几种
这篇文章的网络结构图示如下
基于注意力的记忆模块结构图示如下
联合嵌入方式有多种,作者们采用的是下面这种方式
最终注意力得分计算方式如下
关于朋友向量,作者们采用以下方式生成
朋友级别的注意力计算方式如下
最终预测方式如下
优化算法简介如下
作者们用到的三个数据集简介如下
数据集信息统计如下
参与对比的几种方法简介如下
下面是衡量指标
部分实验细节简介如下