14、多模态推荐系统与柯西损失函数的研究与应用

多模态推荐系统与柯西损失函数的研究与应用

多模态推荐系统

推荐方法概述

在推荐系统领域，存在多种不同的推荐方法。
- 基于一阶马尔可夫链的顺序推荐方法 ：Translation - Based Recommendation (TransRec) 是一种先进的方法，它将每个用户建模为一个翻译向量，以捕捉项目之间的转换。
- 基于深度学习的顺序推荐系统 ：包括 SASRec、BERT4Rec 和 KeBERT4Rec 等。

评估策略与指标

采用留一法（leave - one - out）策略来推荐下一个项目，具体操作步骤如下：
1. 对于每个用户交互序列，将最后一个项目作为测试数据，其前一个项目作为验证数据，其余项目用于训练。
2. 由于整个项目集通常过大，无法对所有候选项目进行排名，因此随机选择 100 个用户未交互过的负项目，并将这些项目与测试项目（真实项目或正项目）一起进行排名。项目根据各自的预测偏好分数进行排名。

评估使用了三个性能指标：
| 指标 | 说明 |
| — | — |
| Hit Rate @N (HR@N) | 衡量查询大小为 N 时包含正确项目的用户比例。查询大小越大，命中率越高。 |
| Normalized Discounted Cumulative Gain (NDCG@N) | 为查询顶部排名的最相关项目分配更高的权重。如果用户最偏好的项目排名较低，该算法会通过分配较低的权重来惩罚模型。查询大小越大，NDCG 分数越高。 |
| Mean