Relational Collaborative Filtering: Modeling Multiple Item Relations for Recommendation简析
Relational Collaborative Filtering: Modeling Multiple Item Relations for Recommendation
介绍
作者介绍了一种新颖的基于item的协同过滤框架——关系型的协同过滤,利用two-level的hieraychy将多个item关系利用attention整合形成user preference以及提高item embedding的表示。
##User-Item Preference Modeling
整体结构如下:
首先由user embedding与type embedding计算对应的attention score,
然后利用softmax函数来计算对应的权重。
根据type的分类,将目标item与用户历史交互items进行计算得到对应second-level attentin score。
因为根据type划分的数据集数量差距很大,对于包含很多items的数据集分母会很大,会造成梯度爆炸,为解决该问题,使用了smoothed softmax:
一般设为0.5
然后得到每个type划分的数据集的加权和:
利用之前用户embedding与type embedding计算的得到的权重,对上述的进行加权和得到user的表示。
将user表示与item表示送入多层感知机得到结果。
为了使正例的得分大于负例的得分,因此使用了BPR pairwise的目标函数:
Item-Item Relational Data Modeling
为了解决不能用单个embedding表示item关系的问题,因此直接将类型embedding和对应的value embedding相加。
不同与传统的有向图的知识图谱,items直接的关系应该是可逆的。为了建模无向图,使得,即:
同理,目标函数如下: