24、多层面多兴趣用户兴趣建模与冷启动问题解决方法

多层面多兴趣用户兴趣建模与冷启动问题解决方法

在当今信息爆炸的时代，推荐系统对于过滤有用信息起着至关重要的作用。然而，现有的推荐模型面临着诸多挑战，如难以全面捕捉用户多样化的兴趣，以及新物品冷启动问题导致的推荐性能不佳等。本文将介绍两种解决这些问题的方法，即多层面多兴趣用户兴趣建模方法（MMRN）和利用协作信息增强元嵌入的方法（CoMeta）。

多层面多兴趣用户兴趣建模（MMRN）

1. 用户兴趣编码与点击预测
   • 兴趣胶囊聚合 ：通过可学习参数 (W_u) 和兴趣胶囊 (u_j) 的注意力权重得分 (w_j)，对所有兴趣胶囊向量进行聚合，得到最终的评分向量 (u)。经过 (L = 2) 次兴趣图构建、兴趣融合和多兴趣提取操作，可获得 (L) 个更高粒度的用户评分向量 (u)，这些向量拼接形成最终的高层用户兴趣编码器输出 (O_v)。
   • 点击预测流程 ：通过三级用户兴趣编码器，获得 (L + 2 = 4) 个多粒度的用户兴趣向量，拼接形成多粒度用户兴趣表示 (O = [O_w, O_n, O_v])。对于第 (i) 个用户兴趣表示，计算交互结果 (r_i = Concat(O_i || n || O_i \odot n))。将所有交互结果平铺后输入全连接前馈网络，并应用 sigmoid 激活函数得到最终的点击预测概率 (\hat{p}_y = sigmoid (WF + b))，其中 (W) 和 (b) 是可学习参数，(F) 是平铺的交互结果，(\hat{p}_y) 表示用户对候选新闻 (n) 的点击概率。
   <