深圳网站关键词优化,永久免费的视频素材软件推荐,怎样加入网站,用友公司能不能做网站建设注意力循环社交推荐
原文链接#xff1a;Attentive Recurrent Social Recommendation, SIGIR’18 原理#xff1a;将用户的朋友和历史交互项按时间划分#xff0c;用注意力机制整合各个时段的朋友影响和交互项影响后输入LSTM来学习动态用户向量#xff0c;动态用户向量与动…注意力循环社交推荐
原文链接Attentive Recurrent Social Recommendation, SIGIR’18 原理将用户的朋友和历史交互项按时间划分用注意力机制整合各个时段的朋友影响和交互项影响后输入LSTM来学习动态用户向量动态用户向量与动态项向量的内积预测动态评分。用注意力机制整合用户所有时期的朋友影响用户向量用户静态向量用户静态向量与项静态向量的内积预测静态评分。动态评分与静态评分之和为最终预测评分。
1. 摘要
协同过滤CF是建立推荐系统最受欢迎的方式之一。为了解决协同过滤中数据稀疏性的问题社交推荐social recommendation出现了他利用用户之间的社交影响来得到更好的推荐效果。在这些系统中随着时间的推移用户的偏好取决于他们的时间动态兴趣temporal dynamic interests 和一般的静态兴趣general static interests。同时用户内在兴趣和社会网络的社交影响之间的相互作用推动了用户的偏好随时间演变。然而传统的方法要么忽略了时间推荐temporal recommendation的社交网络结构要么假设静态社交推荐static social recommendation具有静态的社会影响力。因此如何利用社交影响来提高时间社交推荐效果依然是一个问题。为此本文提出了一种基于注意力循环网络的时间社交推荐方法。在提出的方法中我们通过用两个注意力网络融合用户之间的社交影响来模拟用户复杂动态的和一般静态的偏好随时间的变化。特别地在模拟动态偏好的过程中我们设计一个动态的社交感知循环神经网络去捕捉用户复杂的随时间变化的潜在兴趣。其中提出了一个时间注意力网络去学习随时间变化的时间社交影响在模拟一般静态偏好的过程中我们通过引入静态社交注意力网络刻画每一个用户的静态兴趣来模拟用户之间的固定的社交影响。动态偏好和静态偏好的输出在一个统一的端到端的框架中结合起来为了时间社交推荐任务。
2. 问题定义
数学符号定义
定义1【时间社交推荐】给定一个用户集合 U一个项的集合 V用户-用户社交网络矩阵 S从时间1到时间 T 的用户-项偏好序列 R [R1,R2,…,RT]我们的目标是预测每一个用户在时间 T1 时的消费行为Rˆ T1
3. 提出的模型
我们提出的模型Attention Recurrent Social rEcommendationARSE由两部分组成一个复杂的Dynamic ARSE 部分捕获用户随时间推移变化的动态偏好一个通用的Static ARSE 部分显示用户固定的不随时间推移变化兴趣。 用户 a 在 t 时刻对项 i 的偏好预测可以如下表示项 i 的动态嵌入 x 用户 a 在t时刻的动态嵌入 项 i 的静态嵌入 x 用户 a 的静态嵌入 整个模型的框架如下所示
3.1 Dynamic Attentive Social Recurrent Recommendation
Input Pooling Layer
因为 LSMT 要接受一个固定size的输入而用户喜欢的 items 的集合Lta的size是不一样的这里应该是指数量所以这里采用一个平均池化average pooling operation操作实际上就是把所有items的潜在向量laent vector变成了一个平均的潜在向量至于为什么采用平均池化而不是最大池化作者说因为两种方法在这里没有明显的区别 下面展示了 Xta 的第 l 个元素的计算方式
其中 Q 是 items 在动态空间dynamic space中的潜在向量矩阵Q (:,Lta ) 是选择所有在 Lta 中出现的item的潜在向量。
Dynamic Attentive Network
用两层子网络去捕获用户 a 和他在社交网络 S 中信任的用户 b(即sba1)的动态注意力分数mt(a,b)
ht-1a 和 ht-1b 分别是用户 a 和用户 b 在 t-1 时刻的潜在向量latent vector ea 和 eb 是用户 a 和用户 b 在社交网络结构中的社交嵌入social embedding 【可以用已经提出的各种社交嵌入技术可以从社交网络S中提取出有意义的嵌入本文采用一个非监督深度学习模型denoising autoEnoder来为用户的社交嵌入建模】 最终的动态注意力分数 αtab 通过标准化上面的注意力分数得到 Sa 是用户a在社交网络中信任的所有用户 αtab 展示了在t时刻用户 b 对用户 a 的影响力 则用户a的社交上下文信息 hta 表示来自社交网络邻居的权重动态社交影响
Social LSTM Layer
Xta 表示了用户 a 在 t 时刻消费的items hta 表示了用户 a 在 t 时刻增强的社交上下文信息 ht-1a 表示了用户 a 在 t-1 时刻的隐藏状态hiden state 则预测隐藏状态 hta 可以通过一个 LSTM 层计算得到 不同于传统的 LSTM 只考虑用户之前的输入 Xta 和之前的隐藏状态 ht-1a作者在这里加入了用户的动态上下文表征 hta 来推断用户动态的偏好。
Dynamic Output Layer 3.2 Static Attentive Social Recurrent Recommendation
除了捕获用户随着时间进化的偏好我们认为每个用户都有不随时间变化的静态兴趣static interest
Static Social Attention
用两层子网络去捕获用户 a 和他在社交网络 S 中信任的用户 b(即sba1)的静态注意力分数n(a,b) pa 和 pb 分别表示用户 a 和用户 b 的静态潜在向量latent vector ea 和 eb 分别是用户 a 和用户 b 在社交网络结构中的社交嵌入social embedding 最终的静态注意力分数 βab 通过标准化上面的注意力分数得到
则增强的静态社交潜在向量p?a 可以如下表示
Static Output 4. 模型学习
4.1 Optimization
用一个统一的损失函数进行学习
4.2 Prediction 学习总结
1、关于用户的偏好作者考虑了不随时间改变的静态偏好和随着时间进化的动态偏好对于随着时间进化的动态偏好用LSTM模型进行学习用某时刻用户的社交网络信息和交互项信息共同作为LSTM某个单元的输入经处理后输出当前时刻用户的偏好对于不随时间改变的静态偏好通过整合用户社交网络信息和用户本身的信息得到。两个部分在整合用户在社交网络中邻居时都采用了注意力机制来区分不同邻居的重要程度。
