科研之友
微信
新浪微博
Facebook
分享链接
摘要
协同过滤(CF)是推荐算法中一个重要的研究方向,近期的工作表明CF可以有效地挖掘用户-物品交互背后的潜在意图来精细化建模用户和物品的表示,从而服务下游的推荐任务。然而,本文认为现有的工作没有很好地解决用户-物品交互无偏化问题,它们一般根据假定的而非显式建模的意图生成用户和物品的解离表示。对此,本文提出了一个新的无偏差解离协同过滤(DebiasedCF)推荐框架,该框架利用用户的个人历史来提取其潜在意图,用于表示学习。具体地说,首先利用意图提取模块对用户意图进行显式建模;然后分别对各意图子图进行无偏化;再执行嵌入传播,从而为每个意图生成相应的解离表示;最后设计了一个意图嵌入聚合层来进一步融合在不同意图子图中学得的解离表示。实证结果表明,本文的框架能够在最先进的基线方法基础上取得实质性的改进。进一步的分析验证了提取的用户意图在去偏差和用户-物品表示建模方面的优势。
-
单位中国科学院大学; 国家计算机网络应急技术处理协调中心; 中国科学院计算技术研究所
