【论文笔记】多任务学习-推荐系统和图嵌入

论文地址

源码

摘要和符号定义

本文主要提出了一个多任务学习模型，联合学习图嵌入模型和推荐系统。给定用户U和商品v,以及两者交互矩阵$Y\in R^{M\times R}$,和知识图谱G，目标是预测用户u的潜在兴趣g，得到一个预测函数$y_{u,v}=F(u,v|\theta ,Y,G)$。其中$y_{uv}$是用户u对v的兴趣概率。$\theta$是函数F模型参数。

模型

如图模型分为两个部分，一个是推荐模块，一个为图嵌入模块，中间通过交叉压缩模块共享信息

交叉压缩模块

1. 交叉模块
   $v_l\in R^d和e_l\in R^d$。
   
2. 压缩模块
   
   注意的是本模块适用于浅层，若用于深层反而可能起到副作用。

推荐模块

用户u使用多层感知机MLP表示，全连接层和非线性激活函数

产品v使用交叉压缩模块表示

最后通过合并两路特征，使用预测函数$f_{RS}$得到预测概率。

图嵌入模块

利用交叉压缩模块和非线性层来处理特征向量（including ID [13], types [36], textual description），之后这些隐特征向量连接，在使用MLP来预测尾实体t

最后使用得分（相似性）函数计算，本文采用归一化内积

算法

损失函数如下

算法1

接下来证明了本方法是其他方法的通用性，侧面印证该方法的有效性，实验部分不过多赘述。