《User Diverse Preference Modeling by Multimodal Attentive Metric Learning》论文阅读

前言

在该论文中，作者提出了MAML模型，是一种基于多模态信息的度量学习方法，通过该方法学习用户对于不同物品所具有的不同的偏好特征。

---

一、Related Work

首先，论文介绍了相关的工作，主要分为三个部分：1. 用户偏好建模；2. 度量学习；3. 多模态。

1. Diverse preference modeling

在第一部分中，作者将前人的相关工作划分为两组：

1. 第一组是利用评论信息来分析每个用户对于目标物品的不同方面的注意力，并在获得注意力权重向量后将其集成于基于矩阵分解的推荐方法中。相关的模型有：ALFM，AFM，ANCF。
2. 第二组，对于一个目标商品，利用最具影响力的物品/用户（基于目标商品选取）对当前物品/用户的向量做出适应性调整。相关的模型有CMN，MARS，DIN。

2. Metric-based learning

在度量学习中，本文着重提到的模型为CML模型，该模型是通过欧式距离进行度量，最小化用户，物品之间的的距离（用户与物品是正向交互的）来学习各个用户、物品的向量。该模型取得很好的效果，在此基础上，作者提出的MAML模型针对CML模型中的一个问题（因为每个用户都具有很多的交互商品，每个商品都和很多用户具有交互，所以CML会倾向将所有向量映射到同一个点），提出了一个改进，在每一个用户物品对中加入一个权重向量（用于表示用户对于不同物品的偏好方向），进而也解决了CML中可能映射到同一个点的问题，因为权重向量会把用户向量，物品向量投影到另一个空间。

3. Multimodal user preference modeling

主要介绍的模型都是采用了多模态的数据，