科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统的推荐算法和深度学习算法面临着用户冷启动的问题。为了解决冷启动问题,研究人员提出了跨领域推荐,利用其他领域的用户偏好信息和项目特征等各种辅助信息,来提高目标领域的推荐性能,有效缓解目标领域的数据稀疏性和冷启动。然而,传统的跨域推荐通常只利用源域信息提高目标域的性能,却不能利用目标域提高源域性能,从而使它们互相提高推荐性能。为此,研究人员提出将双迁移学习和度量学习集合起来,有效地减少两域的重叠用户量,实现了性能的相互提高。基于此,提出将双迁移度量学习和注意力机制集合起来,将这个方法命名为DML-A模型。经过在Amazon数据集上实验,证明了所提出的模型真实有效,模型的推荐性能比未改进的模型更优。
-
单位自动化学院; 昆明理工大学
