【读论文】Attentive Collaborative Filtering【待完成】

最新推荐文章于 2023-02-10 15:54:30 发布

原创

最新推荐文章于 2023-02-10 15:54:30 发布 · 2.8k 阅读

2 ·

CC 4.0 BY-SA版权

本文深入探讨了如何利用注意力机制（Attention Model）改进协同过滤（CF）算法，以适应多媒体推荐系统。针对多媒体信息的隐式反馈（item-level 和 component-level）的复杂性，作者提出了一种名为Attentive Collaborative Filtering (ACF)的方法。ACF通过将用户和项目映射到同一向量空间，并结合CNN抽取的内容特征，利用组件级和项目级的注意力权重，以捕捉用户的兴趣细节。这种方法旨在解决传统CF方法在处理非评分反馈和多媒体内容多样性时的不足。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

《Attentive Collaborative Filtering: Multimedia Recommendation with Feature- and Item-level Attention 》是今年SIGIR上的一篇关于Attention Model用于推荐系统CF上的方法

Abstract

这部分作者首先说对于多媒体信息，多为0/1信息（照片的点赞，歌曲的下载，视频的观看），相较于需要feedback的打分信息其更容易获取。但是目前已有的推荐算法，并不能够很好的用于推荐多媒体信息上面。因为多媒体信息方面，包含item和component两个部分，比如对于一个视频的“浏览”，并不能得到user是怎样喜欢这个视频的和喜欢这个视频的哪部分。为了解决这个问题，作者提出了他们的方法。
作者说他们的方法包含两个Attention部分，对于内容的提取用CNN抽取video/image的特征，而item层面用另一个Attention Model去学习用户对商品打分的偏好。

Introduction

这部分作者先说了下多媒体信息越来越多了，举了不少例子，video，image，song等等，而且多媒体的feedback相较于传统商品，缺乏明确的feedback，而更多的是一些隐含的feedback，比如（点赞，浏览，下载）等。而传统的CF方法，对于这种处理起来就不是很好。
作者说传统方法忽略了多媒体推荐的两点：
1. item-level implicit feedback. 作者说传统的CF方法，只注重user和item的关系，但是其实这些关系有些情况下也是多样的，比如点赞关系，有可能你并不是真的喜欢，而是只是因为发的人是你的好友，你就点赞了。所以需要Attention Model去捕捉这种信息。
2. Component-Level Implicit Feedback.多媒体信息包含很多不同的内容的，看一个视频，可能只是喜欢其中某一个部分。而传统的方法是将其内容给看成了一个整体，这样的是不够的。

将这两个结合用到