58、智能算法在推荐系统与属性约简中的应用

智能算法在推荐系统与属性约简中的应用

1. 意图增强双异质图注意力网络（IE - DHGAT）在推荐系统中的应用

在推荐系统领域，为了提升推荐的准确性和有效性，研究人员提出了意图增强双异质图注意力网络（IE - DHGAT）。

1.1 实现细节

在实验里，采用网格搜索来为每个模型找到最佳超参数。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的维度分别设定为6、0.7和128。所有嵌入向量的维度设置为8，批量大小为1024，用户交互序列的最大长度设定为100。

1.2 评估指标

将推荐任务构建为一个二分类问题，即预测用户是否会与目标项目进行交互。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）
GRU4Rec	0.7573	0.7074	0.7455