NAC:Neural Attentive Cross-Domain Recommendation

NAC模型是一种解决跨域推荐的神经网络架构,通过跨域协同聚类、源域的跨域潜在效应层、跨域行为注意机制和跨域潜在向量提取层,捕捉用户在不同域的复杂偏好。模型使用了行为注意机制来加权用户在源域的偏好,以生成目标域的个性化推荐。实验表明,NAC在跨域推荐任务上优于多种基线模型。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Neural Attentive Cross-Domain Recommendation

ICTIR-Dimitrios Rafailidis,Fabio Crestani-2019

思路

在产生跨域推荐时,主要的挑战时如何捕获用户的复杂偏好,即利用用户在源域的偏好来产生目标域的推荐。于是本文提出了一个神经注意跨域模型NAC,即设计了一个转移用户偏好与跨域知识的神经架构,考虑到跨域的多个源域对用户的选择在目标域中的潜在影响,引入一个跨域的行为注意机制,能从源域自适应地执行加权的用户的偏好,从而产生准确的跨域推荐结果。

NAC模型

假定我们有d个域,我们用np和mp代表第p个域中的用户数目和项目数目。设定矩阵Rp,显式反馈用户与项目之间的偏好关系,本文考虑了用户在源域和目标域之间的部分重叠,在源域p和目标域t之间定义一个用户的重叠矩阵Xpt,这个重叠矩阵的维度是npnt,如用户a和b在源域和目标域中是同一个用户,a行b列对应的元素是1,否则等于0.NAC的目标就是在目标域t中生成个性化推荐,同时从d-1个源域转移和加权用户的不同偏好与行为。这是NAC的框架图
首先,遵循一种联合聚类策略,根据用户在每个源域p和目标域t中的偏好对用户进行分组;然后,通过因式分解各个聚类分配矩阵,在第p域中提取基于聚类的跨域潜在向量yup,它的维度是l * 1,l是潜在因子的数目。在跨域潜在影响层,基于MLP计算用户在不同域中的潜在影响。在跨域行为注意机制

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值