NAC：Neural Attentive Cross-Domain Recommendation

原创

已于 2024-04-29 16:53:48 修改 · 754 阅读

23 ·

CC 4.0 BY-SA版权

文章标签：

#笔记 #推荐算法

于 2024-04-07 17:34:40 首次发布

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