Author:Jingwu Chen, Fuzhen Zhuang, Xin Hong, Xiang Ao, Xing Xie, Qing He
论文地址
Motivation:
由于预测精度高,隐语义模型(LFMs)被广泛应用在推荐系统。用户评分和辅助信息(例如物品特征)可以被用来提高性能,尤其是当评分非常稀疏时。现在LFMs融合物品特征时都是对于所用用户使用相同的方式进行融合,而对于个性化推荐需要了解用户关心的物品特征是很有价值的。同时LFMs也不具有可解释性,对于推荐给一个指定的用户是困难的推荐。
图:用户对于不同的物品特征的关注程度(GAUs)
本论文致力于两点:提高性能和具有可解释性。
Contribute:
1.考虑用户的偏好,作者对于可解释个性化推荐系统提出了通用AFM框架,它可以合理地解释用户的偏好并且保持一个高的预测准确度。
2.提出了门控注意力单元(GAUs)从隐藏表征中获取显示的用户偏好。
3.做实验证明有效性和可解释性。
Method:
Feature Extraction Layer:利用现有技术提取出特征embedding,如分类特征用embedding技术、图像特征用CNN技术、文本特征用RNN技术。
Attention-driven Integration Layer:
GAUs方法:
Vij是融合后的物品表征,他基于用户注意力驱动的交互方法。提出的Gated Attention Units (GAUs)方法如下:
计算αi是用户对于物品n+1个特征的打分情况,Wa((n+1)* k维)共享所有用户(为了减少参数量避免过拟合)。
Vij利用αi计算所有物品特征的权重和。
Interaction Layer:
利用非线性激活函数交互可以提高AFM的建模能力。
Dataset:
Baselines:
LibFM、SVDFeature、CDL、NFM
Eeperiments:
由于对不同物品特征做了不同注意力操作,性能比基准性能好。
这个CDL没有研究过,以后补。
…
留空
…
两个用户在Movielens数据集上在18个不同电影流派上的注意力分布图。