Relational Collaborative Filtering: Modeling Multiple Item Relations for Recommendation简析
发布时间
阅读量：
阅读量
Relational Collaborative Filtering: Modeling Multiple Item Relations for Recommendation
介绍
作者介绍了一种新颖的基于item的协同过滤框架——关系型的协同过滤，利用two-level的hieraychy将多个item关系利用attention整合形成user preference以及提高item embedding的表示。
##User-Item Preference Modeling
整体结构如下：
首先由user embedding与type embedding计算对应的attention score，
然后利用softmax函数来计算对应的权重。
根据type的分类，将目标item与用户历史交互items进行计算得到对应second-level attentin score。
因为根据type划分的数据集数量差距很大，对于包含很多items的数据集分母会很大，会造成梯度爆炸，为解决该问题，使用了smoothed softmax：
\rho一般设为0.5
然后得到每个type划分的数据集的加权和：
利用之前用户embedding与type embedding计算的得到的权重，对上述的s_{u,i}^t进行加权和得到user的表示。
将user表示与item表示送入多层感知机得到结果。
为了使正例的得分大于负例的得分，因此使用了BPR pairwise的目标函数：
Item-Item Relational Data Modeling
为了解决不能用单个embedding表示item关系的问题，因此直接将类型embedding和对应的value embedding相加。
不同与传统的有向图的知识图谱，items直接的关系应该是可逆的。为了建模无向图，使得f(e_1,r,e_2)=f(e_2,r,e_1),即：
同理，目标函数如下：
全部评论 (0)
还没有任何评论哟~