Key points are not available for this paper at this time.
많은 행렬 분해 기반 협업 필터링 접근 방식이 큰 성공을 거두었음에도 불구하고 추천 시스템 분야에는 여전히 개선의 여지가 많습니다. 주요 장애물 중 하나는 콜드 스타트 및 데이터 희소성 문제로, 더 나은 해결책이 필요합니다. 최근 연구들은 리뷰 정보를 평가 예측에 통합하려고 시도했습니다. 그러나 두 가지 주요 문제가 있습니다: (1) 기존 작업 중 대부분은 잠재 특징 간의 상관관계를 무시하고 사용자 및 항목 리뷰의 잠재 특징 표현을 추출하기 위해 정적이고 독립적인 방법을 사용하여 사용자의 선호를 종합적으로 포착하지 못할 수 있습니다. (2) 평가와 리뷰를 통합하는 효과적인 프레임워크가 없습니다. 따라서 우리는 항목 추천을 위한 평가와 리뷰 간의 새로운 이중 주의 상호 학습을 제안합니다. 이를 DAML이라고 부릅니다. 구체적으로, 우리는 컨볼루션 신경망의 지역적 및 상호 주의를 활용하여 리뷰의 특징을 공동으로 학습하여 제안된 DAML 모델의 해석 가능성을 향상시킵니다. 그런 다음 평가 특징과 리뷰 특징을 통합하여 통합된 신경망 모델을 구성하고, 신경 분해 기계를 통해 특징 간의 고차 비선형 상호작용을 실현하여 최종 평가 예측을 완료합니다. 다섯 개의 실제 데이터 세트에 대한 실험 결과, DAML은 최신 기법들에 비해 평가 예측 정확도가 유의미하게 향상된 것으로 나타났습니다. 또한 주의 메커니즘은 리뷰에서 관련 정보를 강조하여 평가 예측의 해석 가능성을 높일 수 있습니다.
Liu et al. (Thu,)은 이 질문을 연구했습니다.