首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【论文】Attentive Collaborative Filtering: Multimedia Recommendation with Item- and Component-Level A...

【论文】Attentive Collaborative Filtering: Multimedia Recommendation with Item- and Component-Level A...

作者头像
平凡的学生族
发布2019-06-25 10:11:54
1.1K0
发布2019-06-25 10:11:54
举报
文章被收录于专栏:后端技术后端技术

摘要

当今,各种用户与媒体资源的交互(对照片的点赞、浏览的视频、下载的音乐)相比于显示反馈(评分)是比较容易取得的。但是,协同过滤(CF)系统忽略了这些交互。在多媒体推荐中,存在着item级别和component级别的隐蔽性,它们模糊了用户的喜好特征。

  • item级别的隐蔽性表示用户对item(照片、视频等)的喜好是未知的
  • component级别的隐蔽性表示用户对item(图片的某个区域、视频中的某一帧)中不同component的喜好是未知的。

比如说,用户"看过"某个视频这个信息,并不能告诉我们用户如何喜欢这个视频(item级别),也不知道用户喜欢视频的哪个部分(component级别)。本文就提出ACF解决这种问题。本模型包含两个部分:

  1. component级别,从网络中任意媒体资源中提取的特征(用CNN提取图片/视频)开始,学习从媒体item的components中选择包含信息的那些component。
  2. item级别,学习为item的偏好打分。

1. 介绍

很多时候,用户的交互主要是隐式的,比如"观看"某个视频、"点赞"某个照片、"播放"某个音乐。由于隐式行为难以反映用户讨厌什么(比如负面反馈),目前的CF方法都是考虑如何把错过的用户行为加入到用户喜好的建模上。但很少有人深入去研究这些行为。所以本文会基于两个级别的隐式反馈上进行推荐。

  1. item级别的隐式反馈。用户的正面反馈不一定代表他喜欢这个item
    1. 用户可能是因为照片是朋友发的而点赞,而不是因为他喜欢这个照片。
    2. 即使是点赞,其喜欢的程度也不同。
  2. component级别的隐式反馈。用户的对视频的"播放"记录并不能代表他喜欢视频的全部,可能只是视频的某个部分。因此我们要为用户对底层component的喜好进行建模。

但是,直接建模是很难的,因为我们缺少ground-truth。我们提出了ACF,可以用远程监督的方式自动为两级反馈分配权重。ACF利用潜在因子模型,通过将item和user转换为相同的潜在因子空间,使其可以直接比较。

3. 准备工作

我们有一个user-item交互矩阵R,有交互的地方值为1,没有交互则为0,我们要利用矩阵R,去估计可能的交互。关于矩阵分解有两种方法:

  1. 正则化CF。由于0值无法区分"未知"反馈和"负"反馈,不好用。
  2. BPR。pair-wise的,本文采取这个。

4. ACF模型

  1. item指图片/视频
  2. component指图片的一块区域/视频的一帧

貌似有用到neighborhood-based CF。ACF将评分公式看做latent factor Model与neighborhood-base CF的结合。 还提到了SVD++和FISM。值得一看。

做法:为item和component建立特征向量,通过两层的整合,最终得到用户特征向量,以此来进行评分预测。 其实公式列好以后,用梯度下降就好,梯度的公式计算都交给tensorflow做。各种特征向量一顿整合,最后得到分数和cost,把cost交给tensorflow计算梯度,一直迭代就行了。

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2019.06.24 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 摘要
  • 1. 介绍
  • 3. 准备工作
  • 4. ACF模型
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档