摘要
提出了一种新的多任务推荐模型,该模型通过矩阵因子分解和对抗序列和序列学习相结合的方法,实现了对评价的预测和对评价的解释。使用真实数据集对结果进行评估,以证明与最先进的替代方案相比,评估结果具有更好的评级预测性能,同时产生有效的、个性化的解释。
实现原理:
作者利用评论可以看做是对用户评分的解释,先自动生成用户、项目相应的评论作为推荐数据的新的额外信息来源,然后将sequence-to-sequence 学习模型和MF进行联合训练,进行评分预测和增强推荐的可解释性。
算法:
MF + sequence-to-sequence(利用sequence autoencoder来学习文本特征)
构建模型过程中用到的具体方法:
利用adversarial seq2seq 学习模型来生成评论,然后,引入了a context-aware extension of the probabilistic matrix facto