论文笔记：Dynamic Explainable Recommendation Based on Neural Attentive Models


1、问题背景

    作者argue以前的方法没有考虑到用户偏好的动态变化，因此作者提出了一个名为Dynamic Explainable Recommender (called DER）的模型利用a time-aware gated recurrent unit (GRU)的结构去动态的捕捉用户偏好的动态变化。

2、模型定义

作者首先根据数据绘制了一张用户历史topic变化图，用以说明用户偏好的动态变化

然后给出了task的定义：

3、模型结构

GRU结构：


CNN用来编码item的所有评论，最后形成多个低维向量，user经过GRU会输出一个用户偏好表示，根据注意力机制，用户可能会对item的不同属性有不一样的注意力，因此对CNN编码形成的多个向量，进行加权平均

考虑时间间隔的影响，即如果前一个item的时间戳和现在要预测的item时间戳相差很小，我们就假设用户偏好基本不会变化，如果时间相差比较大，那么就认为用户偏好变化比较大。

而单纯的GRU不能处理这种有时间间隔的序列，因此我们对GRU进行改进。我们引进一个time gate g_s.

g_s=\sigma (W_g[x_s,h_{s-1}]+\lambda \Delta _s)^2,这里\Delta _s=t_{s+1}-t_s是前后两次交互的时间差

h_s是GRU输出的hidden state

这些公式考虑了gs大小的影响，即gs比较大的时候，当前信息比较重要，gs校的时候，过去信息比较重要

为了更好的利用用户资料，GRU的输入x_t不仅包括交互的item ID,而且还包含相关的评分和评论，如图


对于item的表示，我们采用CNN的方式，利用所有的评论信息和注意力机制，每一个句子经过CNN变为一个低维向量。

然后利用注意力机制将这些向量结合起来，这里主要是考虑到 item与user并不独立,item的表示用到了注意力机制

最后经过运算，得到了h_s^u和e^{v_u},结合e^u,e^v利用FM模型预测评分

最后最小化误差损失


4、实验部分

数据集采用Amazon和Yelp

实验结果对比如下

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。