基于双塔隐语义与自注意力的跨域推荐模型

为缓解跨域推荐数据稀疏与冷启动问题，该文提出一种融和双塔隐语义与自注意力机制的跨域推荐模型(DLLFM-DA/Self atten CDR model, DLDASA),能够有效提升目标域推荐准确率.首先利用提出的双塔隐语义模型(DLLFM),借助源域和目标域用户的类别偏好和项目类别，生成高质量隐语义；其次，在隐语义特征迁移过程中引入域适应(domain adaptation),有效对齐源域与目标域的特征分布，最小化源域与目标域间数据分布差异，提供更高质量的隐语义特征迁移；然后利用多头自注意力机制捕捉两个域之间的差异性与相关性，对差异信息进行筛选与融合，缓解负迁移问题，以提升跨域推荐质量；最后，在Movielens-Netflix和一品威客(YPWK)-猪八戒网(ZBJW)真实数据集上，将DLDASA与基线单域和跨域推荐模型进行对比实验，结果表明，均方根误差(RMSE)和平均绝对误差(MAE)均有明显改善.该研究验证了DLDASA模型能够更充分地提取用户特征，有效缓解目标域信息不足的问题.