基于自注意力机制和迁移学习的跨领域推荐算法

摘要：

传统的单领域推荐算法受限于用户和项目的稀疏关系,存在用户/项目冷启动的问题,并且,其仅以用户对项目评分进行建模,忽略了评论文本中所蕴含的信息.基于评论文本的跨领域推荐算法在辅助领域提取用户/项目的评论信息来缓解目标领域的数据稀疏问题,以提高推荐的准确率.文中提出了结合自注意力机制和迁移学习的跨领域推荐算法SAMTL(Self-At-tention Mechanism and Transfer Learning).与现有算法不同,SAMTL充分融合了目标领域和辅助领域的知识.首先,引入自注意力机制建模用户的喜好信息;其次,通过交叉映射跨域传输网络实现借助一个领域的信息来提高另一个领域的推荐准确率;最后,在知识融合模块和评分预测模块整合两个域的信息,进行评分预测.在Amazon数据集上的实验表明,与现有的跨领域推荐模型相比,SAMTL的MAE和MSE值更高,在3种不同的跨领域数据集上的MAE值分别提高了8.4％,13.2％ 和19.4％,MSE值分别提高了6.3％,7.8％ 和5.6％.通过多项实验验证了自注意力机制和迁移学习的有效性,以及它们在缓解数据稀疏和用户冷启动问题方面的优势.

关键词：推荐系统、跨领域、迁移学习、自注意力、评论文本

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金62072066

在线出版日期：2022-08-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：70-77