计算机应用

作者：张文龙, 钱付兰, 陈洁, 赵姝, 张燕平

单位：1. 安徽大学 计算机科学与技术学院, 合肥 230601;2. 计算智能与信号处理教育部重点实验室(安徽大学), 合肥 230601

关键词：推荐系统,协同过滤,深度学习,隐式反馈,注意力机制

基金：国家自然科学基金资助项目（61702003）；安徽省自然科学基金资助项目（1808085MF175）。

基于项目的协同过滤从用户的历史交互项目中学习用户偏好，根据用户的偏好推荐相似的新项目。现有的协同过滤方法认为用户所交互的一组历史项目对用户的影响是相同的，并且将所有历史交互项目在对目标项目作预测时的贡献看作是相同的，导致这些推荐方法的准确性受限。针对上述问题，提出了一种基于双重最相关注意力网络的协同过滤推荐算法，该算法包含两层注意力网络。首先，使用项目级注意力网络为不同历史项目分配不同的权重来捕获用户历史交互项目中最相关的项目；然后，使用项目交互级注意力网络感知不同历史项目与目标项目之间的交互关联度；最后，通过两层注意力网络的使用来同时捕获用户在历史交互项目上和目标项目上的细粒度偏好，从而更好地进行下一步推荐工作。在MovieLens和Pinterest两个真实数据集上进行实验，实验结果表明，所提算法在推荐命中率上与基准模型基于深度学习的项目协同过滤（DeepICF）算法相比分别提升了2.3个百分点和1.5个百分点，验证了该算法在为用户进行个性化推荐上的有效性。

来源：2020年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第12期