融合 MF 和 RNN 的电影推荐系统

随着互联网技术飞速发展，在线数据越来越庞大，如何帮助用户从海量数据中找到所需信息是急需解决的问题。

个性化推荐系统能够有效的解决信息过载问题，推荐系统根据用户的历史偏好和约束为用户提供排序的个性化物品（item）推荐列表，更精准的推荐系统可以提升和改善用户体验。所推荐的物品可以包括电影、书籍、餐厅、新闻条目等等。

本文主要针对电影推荐做了深入研究，但所提出的方法可以很方便地迁移到其他物品推荐中。

目前，协同过滤技术已成为最广泛采用的推荐技术，已经被广泛应用到了很多商业系统中，比较著名的有 Amazon、Netflix、淘宝等。

传统的基于协同过滤的推荐系统是认为用户偏好和电影属性都是静态的，但他们实质是随着用时间的推移而缓慢变化的。例如，一个电影的受欢迎程度可能由外部事件（如获得奥斯卡奖）所改变。

除了对时间演化进行建模的需求外，协同过滤方法使用了未来的评分来评估当前的喜好，这一定程度违背了统计分析中的因果关系。

另一方面，随着深度学习应用的爆发式发展，特别是在计算机视觉、自然语言处理和语音方面的进展，基于深度学习的推荐系统越来越引发大家的关注。循环神经网络（RNN）理论上能够有效地对用户偏好和物品属性的动态性进行建模，基于当前的趋势，预测未来的行为。

我有几张阿里云幸运券分享给你，用券购买或者升级阿里云相应产品会有特惠惊喜哦！把想要买的产品的幸运券都领走吧！快下手，马上就要抢光了。

为了有效地利用传统协同过滤推荐技术（i.e., 矩阵分解）和深度学习方法（i.e., 循环神经网络）各自的优点，捕获用户和电影之间的长期（全局）和短期（局部）关联，本文主要研究和探索矩阵分解（Matrix Factorization, MF）和循环神经网络（Recurrent Neural Network, RNN）在推荐系统上的互补性。

该项工作已经发表在 arXiv 上，更多细节可以点击本文底部的“阅读原文”查看原论文，我们会在论文发表后放出代码。

我们提出一种 LSIC 模型（Leveraging Long and Short-term Information in Context-aware movie recommendation），具体框架如下：

LSIC 模型采用了生成对抗网络（GAN）框架将基于 MF 和 RNN 的模型融合，同时捕获用户长期偏好和短期会话信息，从而最大限度地提高推荐系统的最终性能，达到 state-of-the-art 的效果。我们介绍了 4 种方法来融合 MF 模型和 RNN 模型，具体如下：

原文链接