融合注意力LSTM的神经张量分解推荐模型

李晶晶，夏鸿斌,2，刘 渊,2

(1. 江南大学 人工智能与计算机学院，江苏 无锡 214122;2. 江苏省媒体设计与软件技术重点实验室，江苏 无锡 214122)

0 引言

近年来，随着信息网络的迅猛发展，时刻都会产生纷繁冗余的数据。用户面对海量数据很难获取有价值的信息，并且用户偏好以及用户与项目之间的关系会随着时间的推移而产生变化，因此，推荐系统成为帮助用户获取有效信息的必要工具。传统的推荐系统包括: 基于内容的推荐 (content-based recommendation)[3]，利用用户历史数据进行推荐，其可扩展性和有效性非常有限；协同过滤推荐 (collaborative filtering recommendation)[1-2]，利用用户与项目之间的交互信息为用户进行推荐，容易遭受数据稀疏问题；混合推荐 (hybrid recommendation)[4-5]，将前两种方法进行组合。

随着深度学习技术的出现，人们为开发基于神经网络的矩阵分解模型做出了巨大努力。在非常稀疏、失衡的数据集上，Mnih等[6]提出的概率矩阵分解模型展现了其强大的解决数据稀疏问题的功能。随着数据获取能力的不断提升，如何融合用户和项目在不同领域的信息受到研究者们广泛关注。He等[7]旨在通过对用户和项目的潜在特征进行建模来开发神经网络关系数据建模框架。Shan等[8]使用MLP直接学习特征之间的交互。Chen等[9]将张量分解和对抗学习相结合以提供上下文感知的建议。随着注意力机制在自然语言理解领域取得突破性进展，Zhou等[10]提出基于注意力的双向长期短期记忆网络来捕获句子中最重要的语义信息。Liu等[11]在推荐系统中使用注意力机制捕捉用户当前兴趣和长时兴趣。……