TKDE2022 | 基于关系的协同过滤算法，利用注意力机制来学习物品关系的嵌入特征...

嘿，记得给“机器学习与推荐算法”添加星标

---

鉴于经典的协同过滤算法的有效性和易用性，基于物品的协同过滤方法已被广泛应用于工业领域，并在近年来被广泛研究。基于物品的协同过滤方法的关键在于物品之间的相似度测量，但本文认为这是一个粗粒度的数值，其难以捕捉用户对物品不同属性方面的细粒度偏好。

如图1所示，用户A和用户B都观看了电影《Inception-盗梦空间》和《Interstellar-星际》，这两部电影都是由克里斯托弗-诺兰导演的科幻电影。同时，用户A看了另一部《Matrix-黑客帝国》，用户B看了《Dunkirk-敦刻尔克》。根据传统的基于物品的协同过滤方法的原理，如果两个项目在用户的购买记录中频繁出现，它们可以被视为 "相似 "或相互关联。因此，在传统意义上，电影《敦刻尔克》会被认为与用户A的观看历史中的电影相似，然后它可能会被推荐给用户A。然而，这样的推荐将无法捕捉到细粒度的偏好，因为用户A因为同一类型的科幻电影而观看这三部电影，而对克里斯托弗·诺兰导演的战争电影没有兴趣。

基于此，本文提出了一个叫做双注意力机制的关系嵌入模型REDA（Relation Embedding with Dual Attentions）来解决这些挑战，在此基础上，其设计了一个新的范式，叫做基于关系的协同过滤，以实现高性能的推荐。

REDA本质上是一个深度神经网络模型，它采用了物品关系嵌入方案来表示物品间关系。它的特点是具有双注意力提炼的多分解物品嵌入的功能，并采用了一种新颖的关系优化方案进行端到端学习。然后，通过聚合一个用户的所有购买物品之间的物品关系嵌入，进而提出了一个关系型的用户嵌入，它不仅可以描述用户的细粒度偏好，还可以缓解数据的稀疏性问题。

最后，本文在六个真实世界的数据集上进行了广泛的实验，结果表明，所提出的REDA优于十种最先进的方法。特别是，REDA显示了对数据和关系稀疏性的巨大稳健性、学习可解释物品方面的能力，以及大规模推荐的潜力。

更多技术细节大家可以移步原始论文进行精读。

原文链接：https://ieeexplore.ieee.org/document/9495128

---

欢迎干货投稿 \ 论文宣传 \ 合作交流

推荐阅读

AAAI2023 | 均匀序列更好: 时间间隔感知的序列推荐数据增强方法

论文周报 | 推荐系统领域最新研究进展

Kaggle多目标推荐算法竞赛，赶紧一起组队来战

由于公众号试行乱序推送，您可能不再准时收到机器学习与推荐算法的推送。为了第一时间收到本号的干货内容， 请将本号设为星标，以及常点文末右下角的“在看”。

喜欢的话点个在看吧