包 晨,袁卫华,戴久乾,张志军
(山东建筑大学 计算机科学与技术学院,山东 济南 250101)
随着互联网的迅速发展,各式各样的信息呈现在用户面前,从而产生了信息爆炸的现象。作为解决信息过载的有效工具,推荐系统满足了用户的需求,在电子商务、社交网络等众多领域得到广泛应用。作为经典的推荐算法,协同过滤在推荐系统中发挥着举足轻重的作用,在众多协同过滤技术中,矩阵分解的方法是最常用的,它将潜在用户特征向量和物品特征向量进行内积表示为用户在物品上的交互[1]。
近年来,深度学习在图像处理、自然语言处理等领域取得了突破性的进展,为推荐系统的研究带来了新的机遇[2]。例如,He等人[3]在神经协同过滤的框架上进行改进,将用户的嵌入表示和物品的嵌入表示进行串联,作为多层感知网络的输入向量进行预测。在DeepCF模型[4]中,利用表示学习和匹配函数学习对用户和物品的交互进行建模,使模型在保持有效学习的同时,提高匹配函数的表示能力。这些方法虽然提高了基于匹配函数学习的灵活性,但是忽略了用户和物品之间嵌入维度的相关性,而嵌入维度可以是用户或物品的某个特征,这些特征并非独立的,未能进一步提高模型的泛化能力。
He等人[5]使用注意力机制解决了上述问题,对物品赋予不同重要性来刻画其对用户偏好的影响。LSTM-CFA模型[6]使用协同过滤算法计算用户的兴趣矩阵,再融合LSTM模型,作为模型注意力机制提取文档特征,实现情感分类。……