MAML:User Diverse Preference Modeling by Multimodal AttentiveMetric Learning

一、摘要

大多数现有的推荐系统用特征向量表示用户的偏好，当预测该用户对不同项目的偏好时，假设该特征向量是固定的。然而，同一个向量不能准确地捕捉用户对所有项目的不同偏好，特别是在考虑各种项目的不同特征时。为了解决这个问题，在本文中，提出了一种新的多模态注意度量学习（MAML）方法，以模拟用户对各种项目的不同偏好。特别是，对于每个用户项目对，提出了一个注意力神经网络，它利用项目的多模态特征来估计用户对该项目不同方面的特殊注意力。

MAML和CML之间的唯一区别是前者通过使用注意力机制来模拟用户的不同偏好。

二、介绍

仅仅依赖交互信息也会导致一些缺点，例如

1）无法在特征级别或方面级别对细粒度用户偏好进行建模；

2）当项目或用户的交互数据不足时的性能退化问题

在附带信息中，用户评论包含用户对项目不同方面的意见，因此已被广泛用于建模细粒度用户偏好。此外，物品图像有助于捕捉用户对物品视觉外观的偏好，这在时尚推荐中得到了广泛探索。

不同类型的辅助信息被认为是相互补充的。

用户对项目各个方面的偏好不同是很常见的，即使项目属于同一类别，用户也不会平等对待不同项目的各个方面。大多数现有的推荐方法都使用相同的向量来表示用户对所有项目的偏好，这无法准确预测各种项目的不同偏好。

三、模型介绍