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：

$\rho$ρ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$s_{u,i}^t$su,it​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$f(e_1,r,e_2)=f(e_2,r,e_1)$f(e1​,r,e2​)=f(e2​,r,e1​),即：

同理，目标函数如下：