现有大多数推荐方法学习的是每个特征的固定表示,然而用户行为偏好随上下文特征发生变化,特征在上下文中具有不同的重要性,因此,特征的固定表示造成模型给出的推荐结果不准确。为解决此问题,本文提出基于深度因式分解机并融合信息提取...现有大多数推荐方法学习的是每个特征的固定表示,然而用户行为偏好随上下文特征发生变化,特征在上下文中具有不同的重要性,因此,特征的固定表示造成模型给出的推荐结果不准确。为解决此问题,本文提出基于深度因式分解机并融合信息提取单元和交叉网络结构的混合推荐模型(deep and cross factorization machine information extraction unit,IEU-DeepCFM)。首先,自注意力机制和上下文信息提取器组成的信息提取单元模块对不同上下文中的每个特征学习上下文感知特征表示;然后,利用深度交叉因式分解机在提取用户低、高阶特征的同时来挖掘用户更多的显式交叉信息;最终实现对用户行为特征的点击率预测。在MovieLens电影数据集和Avazu广告点击率数据集上进行消融和对比实验,结果表明,本文所提出的模型在AUC和LogLoss指标上均得到提高和改善,证明了该模型的合理性。展开更多
文摘现有大多数推荐方法学习的是每个特征的固定表示,然而用户行为偏好随上下文特征发生变化,特征在上下文中具有不同的重要性,因此,特征的固定表示造成模型给出的推荐结果不准确。为解决此问题,本文提出基于深度因式分解机并融合信息提取单元和交叉网络结构的混合推荐模型(deep and cross factorization machine information extraction unit,IEU-DeepCFM)。首先,自注意力机制和上下文信息提取器组成的信息提取单元模块对不同上下文中的每个特征学习上下文感知特征表示;然后,利用深度交叉因式分解机在提取用户低、高阶特征的同时来挖掘用户更多的显式交叉信息;最终实现对用户行为特征的点击率预测。在MovieLens电影数据集和Avazu广告点击率数据集上进行消融和对比实验,结果表明,本文所提出的模型在AUC和LogLoss指标上均得到提高和改善,证明了该模型的合理性。
