2021-WSDM-Decomposed Collaborative Filtering: Modeling Explicit and Implicit Factors For Recommender

最新推荐文章于 2022-06-28 10:21:36 发布

Dive_

最新推荐文章于 2022-06-28 10:21:36 发布

阅读量1.1k

点赞数 1

分类专栏：推荐系统文章标签：推荐系统

本文链接：https://blog.csdn.net/qq_38119106/article/details/123649722

版权

推荐系统专栏收录该内容

35 篇文章 2 订阅

订阅专栏

Decomposed Collaborative Filtering: Modeling Explicit and Implicit Factors For Recommender Systems
2021 WSDM

CF的主题是表示学习。学习到的表示应该反映出：

由外在属性所显示的，比如book的作者、类型
由隐式因子所显示的，协同信号

3 问题描述

协作关系感知图，交互图+物品知识图谱

显示关系 $R^+$ 就是物品KG中的关系
隐式关系 $R^-=\{k_1,k_2,k_3,k_4\}$ 就是将交互拆解成了几种细粒度的交互，最重要的 $k_i$ 因素决定了用户采用了特定物品的原因

4 模型

4.1 用户-物品隐式关系建模

在这里插入图片描述

1 隐式因素分解

在这里插入图片描述

2 Factor级注意力网络

在这里插入图片描述

3 注意力隐式关系-wise 聚合

在这里插入图片描述

4 解耦正则化

在这里插入图片描述

4.2 显式关系建模

在这里插入图片描述

4.3 高阶连通性建模

在这里插入图片描述

4.4 模型学习

在这里插入图片描述

5 实验

5.1 实验设置

在这里插入图片描述
评价指标：

Top-N:Recall NDCG {5，10，20}
CTR：AUC
train:valid:test=6:2:2
取5次实验的平均值

超参数：

tanh
交叉熵loss、Adam、Xavier
30 epoch，提前终止策略
对于自己的模型DCF，网格搜索学习率、解耦项系数、正则化系数
其他模型其他超参数与paper/code设置相同，（有没有网格搜索呢？？）

RQ1：模型表现

在这里插入图片描述

RQ2：超参数对模型的影响

在这里插入图片描述

RQ3：设计组件对模型的影响（消融实验）

在这里插入图片描述

RQ4：可解释Case Study

在这里插入图片描述

Dive_

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
2021-WSDM-Decomposed Collaborative Filtering: Modeling Explicit and Implicit Factors For Recommender

Decomposed Collaborative Filtering: Modeling Explicit and Implicit Factors For Recommender Systems2021 WSDMCF的主题是表示学习。学习到的表示应该反映出：由外在属性所显示的，比如book的作者、类型由隐式因子所显示的，协同信号3 问题描述协作关系感知图，交互图+物品知识图谱显示关系 R+R^+R+ 就是物品KG中的关系隐式关系 R−={k1,k2,k3,k4}R^-=\{k_1,k
复制链接

扫一扫