基于双迁移度量学习和注意力机制的跨域推荐

• 作者: 普洪飞 邵剑飞
• 来源期刊: 电视技术
• 关键词: 双迁移学习 度量学习 注意力机制 跨越推荐 冷启动
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 器件与设计|PARTS & DESIGN
• 页码范围: 51-55
• 页数: 5页
• 分类号: TP391
• 语种: 中文
• DOI: 10.16280/j.videoe.2021.08.016

摘要

传统的推荐算法和深度学习算法面临着用户冷启动的问题.为了解决冷启动问题,研究人员提出了跨领域推荐,利用其他领域的用户偏好信息和项目特征等各种辅助信息,来提高目标领域的推荐性能,有效缓解目标领域的数据稀疏性和冷启动.然而,传统的跨域推荐通常只利用源域信息提高目标域的性能,却不能利用目标域提高源域性能,从而使它们互相提高推荐性能.为此,研究人员提出将双迁移学习和度量学习集合起来,有效地减少两域的重叠用户量,实现了性能的相互提高.基于此,提出将双迁移度量学习和注意力机制集合起来,将这个方法命名为DML-A模型.经过在Amazon数据集上实验,证明了所提出的模型真实有效,模型的推荐性能比未改进的模型更优.