这篇文章利用user-user,item-item,以及user-item三类关系构建了推荐系统。本质上有点像graph embedding,切借鉴了LSTM的思想(尤其是类似于OD pair一样将graph中的边也表示成vector)。

 

文中,user-user relationships可以采用社交关系,比如考虑了path长度为1的(first-order influences from neighbors,直接朋友),和path长度为2的(second-order,朋友的朋友,这种组合是不是特别大!采样?)。这样为有关联的两个用户两两之间的关系建立一个vector representation。

 

item-item relationships可以通过物品分类,为同一个类别当中的物品,两两建立一个vector representation。

 

在有了以上的各种边的表达后,就可以通过一定的方法组合这些表达。例如根据当前user社交关系网络,构建一个综合表达(item方面以同样的方式处理)。最后将这些表达,以及最原始的user/item表达整合到一起,进行推荐。这里有意思的是,加权参数是利用gate neural network自动学习出来的。如,采样sigmoid function。



留言

登录 请先登陆, 再留言!