基于用户评论的动态方面注意力电商推荐深度学习模型

发布时间：2024-02-24 02:03

　　为了提供个性化推荐,推荐系统会将用户和物品分别表达为用户偏好向量和物品特征向量。物品特征向量中不同维度分别对应物品不同的特征。用户偏好向量中各维度表示用户对物品对应维度(特征)的喜好程度。目前大部分的推荐算法都假设为对于不同物品、同一用户的偏好向量是相同的。然而在现实生活中,该假设是不成立的。为此,提出一种结合注意力机制的深度学习模型,其能根据不同的用户-物品对,相应地学习到一个注意力权重向量,最终达到动态调整用户偏好向量的目的。在3组公开数据集上进行对比实验,以预测评分的均方误差(MSE)作为评估指标,实验结果表明该方法比已有的相关算法的效果更好。

【文章页数】：8 页

【部分图文】：

图2DARR整体结构

DARR从输入阶段到评分预测阶段的整体流程如图2所示。DARR共包括4大部分:

图1CNN文本处理器结构

CNN文本处理器的结构如图1所示。在第一层,词映射函数f:M→Rd将评论的每个单词映射为d维向量,然后将给定的评论文本转化为长度固定为T的词嵌入矩阵中(只截取评论文本中的前T个单词,对长度不足的文本则进行填充处理)。词映射层后的是卷积层,其包含m个神经元,每个神经元对应的卷积核K....

图3隐因子数量对模型的影响对比

在不同隐因子数目(U和I的维度)的条件下,各变体和DARR的性能表现如图3所示。图3隐因子数量对模型的影响对比

图3隐因子数量对模型的影响对比

图3隐因子数量对模型的影响对比DARR-1直接取消注意力机制,用户和物品的隐向量不随“用户-物品”对的不同而改变,该静态隐因子的策略和以往工作相同(LFM,HFT,ConvMF,DeepCoNN和WCN),不符合现实中用户关注点随物品变化而发生转变的情景,因此其结果最差。DAR....

本文编号：3908343