VIP内容

序列推荐作为一个新兴的课题,由于其重要的现实意义而受到越来越多的关注。基于深度学习和注意力机制的模型在序列推荐中取得了良好的性能。近年来,基于变分自编码器(VAE)的生成模型在协同过滤方面显示出了独特的优势。特别是,序列贯VAE模型作为递归版本,可以有效地捕捉用户序列中项目之间的时间依赖性,并进行序列推荐。然而,基于VAE的模型有一个共同的局限性,即获得的近似后验分布的表征能力有限,导致生成的样本质量较低。对于生成序列来说尤其如此。为了解决上述问题,本文提出了一种基于对抗与对比的变分自编码器(ACVAE)的序列推荐算法。具体来说,我们首先在对抗变分贝叶斯(AVB)框架下引入对抗训练序列生成,从而使我们的模型产生高质量的潜在变量。然后,我们使用对比损失。潜在变量将能够通过最大限度地减少对比损失来学习更个性化和突出的特征。此外,在对序列进行编码时,我们使用一个递归和卷积结构来捕获序列中的全局和局部关系。最后,我们在四个真实世界的数据集上进行了大量的实验。实验结果表明,我们提出的ACVAE模型优于其他先进的方法。

https://www.zhuanzhi.ai/paper/8ce90daf786c65c9c363b16c60ac6c2e

成为VIP会员查看完整内容
0
11
Top