一、亮点
- 使用因子分解的框架,将协同过滤和基于内容的过滤结合在一起;
- 使用Cross Domain跨领域推荐——假设跨领域存在一些一致的模式(如不同的domain共享user-side sub-network),因此可以从相对密集的辅助领域获取知识。
二、模型具体结构
rating matrix 定义为:
item content attribute matrix定义为:
A(1)和R(1)代表target domain的矩阵,A(2)和R(2)代表auxiliary domain的。
为了融合item中的content knowledge,将item的属性嵌入到一个共享的隐空间中,然后用其属性嵌入表示来扩展rating matrix经过LFM分解后的item隐向量。即:
其中,
V
j
V_j
Vj是rating matrix经过LFM分解后的item隐向量,
A
j
A_j
Aj是content 属性矩阵,B是属性embedding矩阵。
rating matrix经过LFM分解后的user隐向量被扩展为:
其中,
U
i
a
U_{ia}
Uia表示原始协同过滤部分的,而
U
i
b
U_{ib}
Uib表示content preference 部分。
目标函数为:
模型图为:
不同的领域共享user-side sub-network。