• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural Networks and Learning Systems, IEEE Transactions on >Adaptive Deep Modeling of Users and Items Using Side Information for Recommendation
【24h】

Adaptive Deep Modeling of Users and Items Using Side Information for Recommendation

机译：使用辅助信息进行推荐的用户和物品的自适应深度建模

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In the existing recommender systems, matrix factorization (MF) is widely applied to model user preferences and item features by mapping the user-item ratings into a low-dimension latent vector space. However, MF has ignored the individual diversity where the user's preference for different unrated items is usually different. A fixed representation of user preference factor extracted by MF cannot model the individual diversity well, which leads to a repeated and inaccurate recommendation. To this end, we propose a novel latent factor model called adaptive deep latent factor model (ADLFM), which learns the preference factor of users adaptively in accordance with the specific items under consideration. We propose a novel user representation method that is derived from their rated item descriptions instead of original user-item ratings. Based on this, we further propose a deep neural networks framework with an attention factor to learn the adaptive representations of users. Extensive experiments on Amazon data sets demonstrate that ADLFM outperforms the state-of-the-art baselines greatly. Also, further experiments show that the attention factor indeed makes a great contribution to our method.
机译：在现有的推荐系统中，矩阵分解（MF）通过将用户项目等级映射到低维潜在向量空间中而广泛应用于建模用户偏好和项目特征。但是，MF忽略了个体多样性，在这种多样性下，用户对不同未评级项目的偏好通常是不同的。 MF提取的用户偏好因子的固定表示不能很好地对单个多样性进行建模，从而导致重复和不正确的推荐。为此，我们提出了一种新颖的潜在因子模型，称为自适应深度潜在因子模型（ADLFM），该模型根据正在考虑的特定项目自适应地学习用户的偏好因子。我们提出了一种新颖的用户表示方法，该方法是从其评分项目描述而不是原始用户项目评分中得出的。在此基础上，我们进一步提出了一种具有关注因子的深度神经网络框架，以学习用户的自适应表示。在Amazon数据集上进行的大量实验表明，ADLFM的性能大大超过了最新的基准。此外，进一步的实验表明，注意力因素确实对我们的方法做出了很大的贡献。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号