本文介绍了《Attentive Social Recommendation: Towards User And Item Diversities》论文，该论文探讨了如何利用社交关系、用户评分和项目评分来改进推荐系统，以解决冷启动和数据稀疏性问题。通过社交因素、用户-评分和项目-评分的注意机制权重分配，以及对不同评分值的策略处理，实现了用户和项目多样性的增强。
《Attentive Social Recommendation: Towards User And Item Diversities》论文阅读笔记
社交推荐系统：利用用户之间的社交关系以及用户-项目评分预测用户评分（通常用图结构表示），已被证明可以解决冷启动和数据稀疏性问题。
Social factor: 受社交图中邻居的影响；
User-rating factor: 用户主观上评分的影响；
Item-rated factor: 所有评分对项目的影响。
问题：没有充分利用用户/项目的多样性。应该更多地考虑社交关系（避免忽视各个因素的贡献）以及评分值（而不是喜欢不喜欢）。
本文：从两个方面：
（1）提取社交因素、用户-评分和项目-评分因素，然后自动分配权重（注意机制），将这些因素聚合到用户/项目嵌入向量中。
（2）对不同的评级值采用了分离策略。
- 更新用户嵌入：
（1） 用户社交向量：
利用GCN在社交图中
最低0.47元/天 解锁文章
335
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
