基于双注意力机制和迁移学习的跨领域推荐模型

摘要

跨领域推荐可用于解决单一领域数据稀疏导致的推荐系统性能退化问题,还可以缓解推荐系统中存在的用户冷启动问题.然而,现有的方法大多利用用户对项目的评分进行建模,忽略了评论文本所蕴含的信息.为此,本文提出了一种基于双注意力机制和迁移学习的跨领域推荐模型,首先通过CNN对评论文本建模,提取用户和项目特征;其次通过构造融合词的上下文关系的词注意力机制从评论文本中捕获词级别的信息,以提升CNN对文本中重点信息的关注度;然后通过构造特征突显机制从CNN提取到的用户特征和项目特征中捕获特征级别的信息;最后引入迁移学习,通过同时提取领域特有的特征和领域间的共享特征进行不同领域之间的联合建模,进行评分预测.本文在Amazon数据集上进行了实验比较与分析,首先对本文模型的推荐性能进行评估,与现有的跨领域推荐模型相比,在两种不同的跨领域数据集上平均绝对误差分别提升6.1％和9.15％,均方根误差分别提升3.66％和7.01％;然后对本文模型的知识迁移性能进行评估,与现有的单领域推荐模型相比,在不同数据集下均方误差分别提升5.47％和10.35％;最后通过实验验证了本文提出的注意力机制的有效性,及在缓解数据稀疏问题和用户冷启动问题方面的优势,也验证了模型的普适性.