当前位置: 代码迷 >> 综合 >> Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation (2020)
  详细解决方案

Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation (2020)

热度:18   发布时间:2023-12-14 09:52:42.0

文章目录

    • 1. Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation (2020)
      • (0) 个人小结
      • (1) 背景 & 问题描述
      • (2) 研究方法
      • (3) 结论与展望

1. Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation (2020)

(0) 个人小结

本文提出了可以利用用户多种反馈行为(如:浏览、点击、加入购入车、购买等)且采用非采样进行训练的模型 EHCF ,该模型还考虑了用户行为之间的迁移关系,在训练时优化了loss的复杂度。

(1) 背景 & 问题描述

负采样容易受采样分布、采样数量的影响,导致其鲁棒性不高。非采样将用户所有没有交互过的数据作为负样本,这种做法覆盖面全,但是训练效率低。

(2) 研究方法

问题描述: 估计用户对某件商品做出某种行为(浏览、点击、加入购物车、购买等)的可能性。

模型框架图:

在这里插入图片描述

Embedding层: 输入的是用户的Embedding和该用户所有交互过的item的Embedding;

基于迁移的预测层: 引入了用户行为之间的迁移信息,如:用户先浏览,然后点击,接着加入购入车,最后购买;

在这里插入图片描述

多任务学习: 输出用户对某件物品各个行为的可能性

loss设计:

在这里插入图片描述

(3) 结论与展望

提出了EHCF模型,使用非采样的方法进行训练,并降低了训练的时间复杂度,同时使用了迁移的方法刻画用户各行为之间的先后顺序。

参考资料: 浅谈个性化推荐系统中的非采样学习

  相关解决方案