排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
为了提供个性化推荐,推荐系统会将用户和物品分别表达为用户偏好向量和物品特征向量。物品特征向量中不同维度分别对应物品不同的特征。用户偏好向量中各维度表示用户对物品对应维度(特征)的喜好程度。目前大部分的推荐算法都假设为对于不同物品、同一用户的偏好向量是相同的。然而在现实生活中,该假设是不成立的。为此,提出一种结合注意力机制的深度学习模型,其能根据不同的用户-物品对,相应地学习到一个注意力权重向量,最终达到动态调整用户偏好向量的目的。在3组公开数据集上进行对比实验,以预测评分的均方误差(MSE)作为评估指标,实验结果表明该方法比已有的相关算法的效果更好。 相似文献
4.
目前基于评论的推荐算法大多都忽略了用户(商品)的个性化信息来对评论进行编码。对此提出一种单词级别、评论级别的个性化注意力机制,分别对单词和评论进行个性化编码。设计一种基于门控机制的融合方式,来更好地融合用户和商品的隐向量来提高评分预测性能。在3组公开数据集上进行对比实验,以预测评分的均方误差(MSE)作为评估指标,验证了该方法的有效性。由单词和评论的注意力得分,能够观察用户和商品具体哪些特性相匹配,进一步提高推荐结果的可解释性。 相似文献
5.
评论数据存在稀疏问题,不足以支撑学习出更全面的用户偏好。针对评论稀疏问题进行了研究,并提出一种应对评论稀疏的“即插即用”辅助网络(NRSN),其能与不同的模型进行结合,以添加辅助信息的方式,来重新调整当前模型输出的用户偏好向量。首先根据目标用户,使用aspect-attention机制从其近邻用户评论中学习出近邻用户的偏好,然后采用co-attention机制将近邻用户和目标用户进行契合度匹配,调整出目标用户新的偏好向量。在三组公开数据集下的实验结果表明,NRSN不仅能提高所结合模型的推荐性能,且能有效应对“冷启动”场景下的评论稀疏问题。 相似文献
1