Collaborative Memory Network for Recommendation Systems解读

Collaborative Memory Network for Recommendation Systems解读

本文为对该论文的简单解读和记录，方便理解

摘要

  本文提出协同记忆网络这一深层结构：它是一种将基于潜在因素模型的全局结构和基于邻域的局部结构，用非线性方法进行统一实现的深度结构模型。在Memory Networks的成功推动下，我们将记忆组件和神经注意机制融合为邻域组件，记忆模块中用户和物品记忆的关联寻址方案将复杂的用户-物品关系与神经注意机制结合起来编码，以学习用户-物品特定的邻域。最终，输出模块联合利用了存有用户-物品记忆的邻域来生成排序分数。集成多个记忆模块作为一个深度结构可以捕捉更加复杂的用户-物品关系。
  文中展示了(协同记忆网络)CMN组件、记忆网络、和三种CF模型之间的强联系。综合实验结果证明了CMN在公开数据集的表现优于竞争基线。作者还可视化的展示了注意力权重，能够直观的看出CMN的推荐过程。

介绍

  在信息过载的时代，推荐系统显得十分重要。而在推荐系统中，协同过滤是一种非常受欢迎且有效的方法。协同过滤基于用户和物品的过去交互行为，同时认为相似的用户会消费相似的物品，从而进行推荐。

协同过滤推荐系统可以分为三类：基于内存或者邻域的方法、潜在因子模型和混合模型

1. 基于邻域的方法：这也是我们常说的基于物品的协同过滤和基于用户的协同过滤方法。需要先计算用户之间、物品之间的相似度，随后基于计算的相似度进行推荐。(忽略了全局信息)
2. 潜在因子模型：常用的就是矩阵分解及其变体。将用户与物品表示成一个大小为nm的评分矩阵，由于评分矩阵是稀疏的，可以将其转换成nk的用户矩阵与k*m的物品矩阵相乘。(忽略了局部联系)
3. 混合模型：结合基于邻域的方法和隐含因子模型来强化预测能力。例如因子分解机和SVD++方法

协同记忆网络(CMN)

  首先在用户和项目内存之间应用元素级积，然后使用U，U ∈ Rd×d进行线性投影

User Embedding

  对于预测用户u对于物品i的评分。我们首先会得到历史上所有跟物品i有隐式反馈的用户(邻域)集合，称为N(i)。本文提出联合寻址方案（the associative addressing scheme）作为相似度计算方法：