58、推荐系统与属性约简算法研究

推荐系统与属性约简算法研究

在当今的信息时代，推荐系统和数据预处理中的属性约简算法都具有重要的意义。推荐系统能够根据用户的历史行为和偏好，为用户提供个性化的推荐，而属性约简算法则可以在不损失太多信息的前提下，减少数据的维度，提高算法的效率和性能。

1. 推荐系统中的IE - DHGAT模型

在推荐系统领域，为了缓解因数据稀疏难以准确学习物品特征的问题，提出了一种新颖的意图增强双异质图注意力网络（IE - DHGAT）用于序列推荐。

1.1 实现细节

在实验中，采用网格搜索为每个模型寻找最佳超参数。对于IE - DHGAT模型，优化器选用Adam，学习率设为0.005。注意力头的数量、节点级注意力的丢弃率以及属性级注意力向量q的维度分别设置为6、0.7和128。所有嵌入向量的维度设为8，批量大小为1024，用户交互序列的最大长度设为100。

1.2 评估指标

将推荐任务表述为二分类问题，即预测用户是否会与目标物品进行交互，因此仅使用曲线下面积（AUC）和F1分数作为评估指标。AUC衡量的是正实例排名高于随机选择的负实例的概率，F1分数是精确率和召回率的调和平均值。

模型	Tmall - AUC	Tmall - F1 - score	Amazon - AUC	Amazon - F1 - score	Yelp - AUC	Yelp - F1 - score