admin管理员组文章数量:1590132
算法主要思想
最近,深度神经网络已广泛应用于推荐系统。一个代表性的工作是利用深度学习对复杂的用户-项目交互进行建模。然而,与通过分解用户-项目交互的传统隐语义模型类似,它们往往无法有效地捕获邻域信息,该信息对推荐系统补充用户-项目交互数据很重要。基于这种考虑,我们提出了一种新的基于邻域的神经协同过滤模型(NNCF)。
需要解决的问题:
1、哪些局部信息应该被使用;
2、在深度学习中怎样对局部信息进行建模。
当user和item有交互时,yui = 1, 其他情况为0, 在进行推荐时,即预测user对item的得分,推荐问题便转化成预测问题。在处理交互问题时,将交互信息视为有向图G=(V, E), 其中顶点V是用户user和item的集合,边E是有交互的集合。
模型图:
输入: user、item、与user-u有交互的item集合,与item-i有交互的user集合,对其进行one-hot编码;
对输入的矩阵在进行线性乘积、卷积、最大池化等运算
基于MLP的预测,得到预测得分。
数据集:Delicious、MovieLens、Rossmann
对比算法:ItemPop、ItemKNN、BPR、NeuMF
比较结果:
在上述三个数据集中,NNCF算法性能明显优于其他算法,表面user和item的邻接信息对预测user和item之间的评分有明显的效果。
本文标签: 文献CollaborativeneuralfilteringNeighborhood
版权声明:本文标题:文献总结(1):A Neural Collaborative Filtering Model with Interaction-based Neighborhood 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://m.elefans.com/dongtai/1728076170a1144502.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论