基于感知注意力的深度交叉网络推荐模型

摘要：

推荐系统中融合低、高阶特征组合对预测的点击通过率至关重要.本文设计一种基于感知注意力的深度交叉网络推荐模型(Attention Deep Cross IO-awre Factorization Machine,ADCIOFM).传统推荐模型通过注意力因子分解机和深度交叉网络分别对低、高阶特征进行提取,然而注意力因子分解机对低阶组合特征的提取容易忽略隐藏的字段信息,深度交叉网络挖掘用户兴趣的多样性偏弱.因此,本文通过融入感知辅助矩阵来增强注意力机制估计低阶组合特征权重的表示能力.通过融入多头注意力机制,对不同子空间的特征深度进行提取,以解决深度交叉网络挖掘用户兴趣多样性的不足.最后,将低、高阶组合特征进行有效融合共同进行推荐.通过在 Criteo、Movielens-100K 这2个数据集上进行实验对比,以AUC指标进行评估,相较于基准模型有着0.0087和0.0159的提升.

关键词：点击通过率、感知注意力因子分解机、交叉网络、多头注意力机制、深度神经网络

分类号：TP391.1(计算技术、计算机技术)

资助基金：国家自然科学基金;重庆市科技局自然基金资助项目;重庆市科技局自然基金资助项目;重庆市科技局自然基金资助项目;教育部人文社会科学研究项目;重庆市教委重点项目;重庆市社会科学规划项目;重庆师范大学人才基金资助项目

在线出版日期：2023-08-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：54-60