一种推荐系统中稀疏情景预测的特征-类别交互因子分解机

作     者：黄若然 崔莉 韩传奇 

作者机构：中国科学院计算技术研究所泛在计算系统研究中心 中国科学院大学计算机科学与技术学院 

出 版 物：《计算机研究与发展》 (Journal of Computer Research and Development)

年 卷 期：2021年

核心收录：

学科分类：08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目（61672498） 

主　　题：因子分解机 特征-类别交互 注意力网络 深度神经网络 稀疏情景预测 

摘      要：随着Web信息的不断增长与发展，对用户稀疏行为的预测已成为目前推荐系统的研究热点．近年来，因子分解机 (factorization machine，FM)的提出在一定程度上缓解了稀疏场景下预测精度不准确的问题. 它的主要思想是通过2阶特征交互来获取特征间丰富的语义关系．随后，感知交互因子分解机(interaction-aware factorization machines，IFM)在FM的特征交互基础上引入类别交互的概念来扩展潜在的交互特性，通过把特征和类别分别进行交互后再融合来得到更准确的预测结果．此工作在IFM的基础上，提出了一种特征-类别交互因子分解机新模型FIFM．FIFM不仅保留了特征交互和类别交互机制，还设计了一种新的特征-类别融合交互机制FIM来进一步挖掘交互信息中的有效信息，并利用融合交互感知来预测不同稀疏场景下的用户行为模式．此外，还基于深度学习提出了一种实现FIFM的神经网络模型GFIM．相比于FIFM，GFIM的参数量和时间复杂度更高，但同时也能捕获更多高阶的非线性特征交互信息，能适合算力较高的应用场景．在4个真实数据集上的实验结果表明，FIFM，GFIM在RMSE指标上超越了当前最好的方法IFM．实验工作探究了多类稀疏场景下的预测结果，记录了时间和空间复杂度的消耗情况，并进行了分析讨论．