基于卷积神经网络交互的用户属性偏好建模的推荐模型

• 作者: 潘仁志 钱付兰 赵姝 张燕平
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 潜在因子模型 用户偏好 用户属性偏好 卷积神经网络 特征交互 注意力机制
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 人工智能|Artificial intelligence
• 页码范围: 404-411
• 页数: 8页
• 分类号: TP183
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2021041070

摘要

潜在因子模型(LFM)以其优异的性能在推荐领域得到了广泛应用.在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能.然而,大多数LFM仍然存在一些问题:第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联.针对上述问题,提出一种新的推荐模型:基于卷积神经网络(CNN)交互的用户属性偏好建模的推荐模型(UAMC).该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分.在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验.实验结果表明,所提模型在均方根误差(RMSE)上与稀疏数据预测的神经网络分解机(NFM)模型相比分别降低了1.75％、2.78％和0.25％,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性.