最近有心深入了解推薦系統(tǒng)的內(nèi)容，收到了幾篇比較優(yōu)秀的推薦系統(tǒng)論文，下面的內(nèi)容就是在《Relational Collaborative Filtering: Modeling Multiple Item Relations for Recommendation》的基礎(chǔ)下，記錄我認(rèn)為重要的內(nèi)容！有問題可以隨時提出來。超級小白嘻嘻嘻！

具體的pdf地址我沒有去找，一般情況下，直接輸入文章名就可以搜索到的啦！

這篇文章主要是由下面幾位大神寫的，下面有郵箱。

文章題目大致意思是：關(guān)系協(xié)同過濾：多項目關(guān)系的建模建議

摘要

現(xiàn)有的基于項目的協(xié)同過濾的方法大部分是基于尋找協(xié)同相似。然而，在現(xiàn)實世界中，項目之間存在著多重關(guān)系。例如，兩部電影共享同一個導(dǎo)演，兩首歌同一個專輯。與協(xié)作相似性不同，這意味著從用戶的角度來看，交互模式是相互作用的。這些關(guān)系從元數(shù)據(jù)、功能等不同的角度揭示了關(guān)于項目的更細(xì)致的知識。然而，如何將多個項目關(guān)系建立起來，是很少被人們所探討的。

在本文中，提出了關(guān)系協(xié)同過濾(RCF)，這是一種在推薦系統(tǒng)中利用項目間多個關(guān)系的通用框架。我們認(rèn)為關(guān)系類型(如共享導(dǎo)演)和關(guān)系值(如Steven Spielberg—一位著名導(dǎo)演)在推斷用戶偏好方面都是至關(guān)重要的。為此，開發(fā)了一種雙層遞階attention mechanism，用于對用戶偏好的一級辨別進(jìn)行建模，以區(qū)分哪些類型的關(guān)系更重要，而第二層則是考慮特定的關(guān)系值去估計歷史項目在推薦目標(biāo)項目中的貢獻(xiàn)。為了使項目嵌入反映項目之間的關(guān)系結(jié)構(gòu)，我們進(jìn)一步制定了一項任務(wù)來維護(hù)項目關(guān)系，并結(jié)合偏好建模的推薦任務(wù)對其進(jìn)行訓(xùn)練。兩個實際數(shù)據(jù)集的實驗結(jié)果證明了RCF的強(qiáng)大性能，它不僅勝于使用最先進(jìn)技術(shù)的ICF模型FISM和NAIS，而且還是基于具有競爭性的NFM模型。此外，還進(jìn)行了定性分析去展現(xiàn)RCF建模對于多項目關(guān)系帶來的好處。

1、介紹

推薦系統(tǒng)已廣泛部署在web應(yīng)用程序中，以解決信息過載問題，如電子商務(wù)平臺、新聞門戶、社交媒體站點、生活方式應(yīng)用等。推薦系統(tǒng)不僅可以加快用戶信息搜索的過程，還可以增加流量，為服務(wù)商帶來利潤。在各種推薦方法中，基于項目的協(xié)同過濾（ICF）以其可解釋性和有效性而脫穎而出，在工業(yè)應(yīng)用中受到高度重視。ICF的關(guān)鍵假設(shè)是，用戶應(yīng)該更喜歡與其歷史上相互作用的項目相似的項目。這種相似性通常是從用戶交互來判斷的，就是在過去兩個項目相互作用的可能性有多大來判斷的。

有時候我們會對已經(jīng)存在的ICF存在爭議性，因為他們只考慮合作的相似關(guān)系，這是宏觀層次的，粗粒度的，缺乏具體的語義。在實際應(yīng)用程序中，具有具體語義的項之間通常存在多個關(guān)系，它們特別有助于理解用戶行為。例如，在電影領(lǐng)域，某些電影可能具有相同的導(dǎo)演、類型、演員或其他屬性。這些關(guān)系從不同的角度考慮了項目的相似性，更重要的是，它們可以很好地反映用戶的決策。例如，在兩個用戶(U1和U2)觀看了同一部電影“外星人”之后，U1喜歡導(dǎo)演，然后選擇“Schindler‘s List”來觀看，而U2則喜歡這個主題和外星人。如果不明確地模擬這些微觀層次和細(xì)微的項目之間的關(guān)系，在概念上就不可能揭示用戶決策背后的真正原因，更不用說用有說服力和準(zhǔn)確的解釋來推薦所需的項目。

本文提出了一種新的ICF框架-關(guān)系協(xié)作過濾，簡稱RCF，旨在集成多項關(guān)系，以獲得更好的推薦。為了保留關(guān)系的細(xì)粒度語義，并為用戶偏好的推理提供便利，我們將關(guān)系表示為具有兩層次結(jié)構(gòu)的概念：

（1）關(guān)系類型，可以在上面的電影示例中共享導(dǎo)演和類型，或者功能，并且在電子商務(wù)產(chǎn)品上具有類似的視覺效果。它以抽象的方式描述了項目是如何相互關(guān)聯(lián)的。從用戶行為的宏觀角度看，協(xié)作相似性也是一種關(guān)系類型。

（2）關(guān)系值，它給出了兩個項目的共享關(guān)系的細(xì)節(jié)。例如，“外星人”和“辛德勒的名單”的關(guān)系共享導(dǎo)演的價值是史蒂文·斯皮爾伯格。，關(guān)系共享體裁的價值包括：功能、動作、浪漫等等。關(guān)系值為仔細(xì)檢查用戶的偏好提供了重要的線索，因為用戶在做決定時可以不同地權(quán)衡關(guān)系類型的不同值。

我們先簡單來看一下上面的圖，先說最左邊的藍(lán)色雙箭頭指向的兩部電影，其中關(guān)系類型是同種電影類型，關(guān)系值是小說。再看橙色的雙箭頭指向的兩部電影，其中關(guān)系類型是同個導(dǎo)演，關(guān)系值是Spielberg。再往右看羽毛球的圖，先看紅色雙箭頭和紅色英文，其中關(guān)系類型是：同種類型，關(guān)系值是運動。再看紫色雙箭頭和紫色英文，其中關(guān)系類型是實用，關(guān)系值是補(bǔ)充物。

上圖給出了一個關(guān)于項目關(guān)系的示例。請注意，兩個項目之間可能存在多種關(guān)系；例如，羽毛球和羽毛球拍有兩個關(guān)系。此外，關(guān)系值可能出現(xiàn)在多種類型的關(guān)系中，例如，導(dǎo)演也可以是其他電影的主角，因此很可能有兩種關(guān)系，因為指向的是同一個物品或人物。在設(shè)計處理多項關(guān)系的方法時，應(yīng)考慮到這些因素，使問題比標(biāo)準(zhǔn)的ICF更復(fù)雜。

為了將這些關(guān)系數(shù)據(jù)集成到ICF中，我們設(shè)計了一種兩層neural attention mechanism來模擬歷史上相互作用的項目。具體來說，為了預(yù)測用戶對目標(biāo)項的偏好，第一層是檢測關(guān)系類型，并區(qū)分哪些關(guān)系類型對用戶影響更大。第二層機(jī)制是操作于每種關(guān)系類型下相互作用的項目，，以便估計交互項在推薦目標(biāo)項方面的貢獻(xiàn)。兩級注意輸出每個交互項的權(quán)重，該權(quán)重用于聚合所有交互項的嵌入，以獲得用戶的表示。此外，為了利用多關(guān)系數(shù)據(jù)增強(qiáng)項目嵌入性，我們制定了另一學(xué)習(xí)任務(wù)，該任務(wù)將項目關(guān)系與嵌入操作連在一起。最后，我們共同優(yōu)化這兩個任務(wù)，最大限度地利用項目之間的多個關(guān)系。

總之，這項工作的主要貢獻(xiàn)如下：

1、提出了一個新的通用推薦任務(wù)，即合并項目之間的多個關(guān)系，以更好地預(yù)測用戶偏好。

2、設(shè)計了一種新的方法RCF，它利用了兩種方式的關(guān)系：通過改進(jìn)對歷史上相互作用的項的建模來構(gòu)造用戶嵌入，以及通過保留關(guān)系結(jié)構(gòu)來增強(qiáng)項嵌入。

3、在兩個數(shù)據(jù)集上進(jìn)行了實驗。定量結(jié)果表明，RCF優(yōu)于最近提出的幾種方法，定性分析證明了RCF對于多項關(guān)系處理的有效性。

2、methodology（研究方法）

2.1??Problem Formulation

在給定用戶及其交互歷史的情況下，傳統(tǒng)的ICF方法的目標(biāo)是根據(jù)協(xié)同相似性生成建議。

交互圖可以顯示為圖2的左邊部分，其中項之間的鏈接只是隱含的協(xié)同相似性。然而，現(xiàn)實世界中存在著多項關(guān)系，它們都具有意義的語義。在這項工作中，我們的項目關(guān)系是：

定義2.1：給定一個項目對 $（i,j）$ ，它們之間的關(guān)系為 $r=<t,v>$ 集合，其中 $t$ 表示關(guān)系類型和 $v$ 是關(guān)系值。

RCF的目標(biāo)是根據(jù)用戶-項交互歷史記錄和項關(guān)系數(shù)據(jù)生成建議。一般來說，RCF交互圖中項目之間的鏈接不僅包含隱式協(xié)作相似性,也有顯式的多項關(guān)系,上圖的右邊部分可以展現(xiàn)出來。

在本節(jié)的其余部分中，我們首先提出了基于注意力機(jī)制的模型來推斷用戶項的偏好。然后，我們將演示如何對項關(guān)系數(shù)據(jù)建模，以引入項嵌入之間的關(guān)系結(jié)構(gòu)。在此基礎(chǔ)上，我們建議通過一個多任務(wù)學(xué)習(xí)框架，以端到端的方式將這兩個部分集成起來。最后，我們討論了RCF與其他一些模型之間的關(guān)系。

下表是一些重要的符號。

2.2?User-Item Preference Modeling（用戶偏好建模）

考慮到由關(guān)系類型和關(guān)系值組成的多個項目關(guān)系，我們提出采用層次注意機(jī)制對用戶偏好進(jìn)行建模。圖3演示了模型的總體結(jié)構(gòu)。

給定數(shù)據(jù)后，我們首先求出 $I_u^+$ 、 $I_{u,i}^t$ 和 $P_u$ .。

然后求出用戶 $u$ 與關(guān)系類型 $t$ 之間的attention score，文中用前饋神經(jīng)網(wǎng)絡(luò)來描述它，函數(shù)如下：

? ? ? ? ? ? ? ? ? ? ? ? ? $a(P_u,X_t)=h_1^T(ReLU(W_1(P_u\otimes X_t)+b_1))$

其中 $W_1$ 和 $b_1$ 是對應(yīng)的權(quán)矩陣和偏置向量，它們將輸入投影到一個隱藏狀態(tài)，而 $h_1^T$ 是將隱藏狀態(tài)投影到attention score中的向量。我們將隱藏狀態(tài)的大小稱為“attention factor”，其值越大，對注意力網(wǎng)絡(luò)的表征能力就越強(qiáng)。

通過上式，我們可以求出第一級attention $a(u,t)$ ,目的在于計算用戶和關(guān)系類型的不同關(guān)系類型的重要性。我們使用標(biāo)準(zhǔn)的softmax函數(shù)來定義 $a(u,t)$ ：

根據(jù)type的分類，將目標(biāo)item與用戶歷史交互items進(jìn)行計算得到對應(yīng)第二級的 attention score：

因為根據(jù)type劃分的數(shù)據(jù)集數(shù)量差距很大，對于包含很多items的數(shù)據(jù)集分母會很大，會造成梯度爆炸，為解決該問題，使用了smoothed softmax。下面是權(quán)重 $\beta _t(i,j,v)$ :

其中的 $\rho$ 是平滑因子，范圍在0到1之間，一般我們設(shè)為0.5。

然后得到每個type劃分的數(shù)據(jù)集的加權(quán)和：

利用之前用戶 embedding與關(guān)系類型 embedding計算的得到的權(quán)重，對上述的 $S_{u,i}^t$ 進(jìn)行加權(quán)和得到目標(biāo)感知用戶embedding的表示：

現(xiàn)在我們已經(jīng)建模得到了目標(biāo)用戶的embedding $m_{u,i}$ ,在此基礎(chǔ)上，我們利用一個多層感知器(MLP)來計算用戶 $u$ 在item $i$ 上的預(yù)測分?jǐn)?shù)，如下所示:

得到最后的預(yù)測分?jǐn)?shù) $\hat{y} _{ui}$ 后，我們希望積極的項目比消極的項目有更高的排名。我們利用BPR pairwise來實現(xiàn)目標(biāo)函數(shù)：

其中

2.3?Item-Item Relational Data Modeling(項目之間關(guān)系數(shù)據(jù)模型）

RCF的第二個任務(wù)是對項目關(guān)系數(shù)據(jù)進(jìn)行建模。通常，關(guān)系數(shù)據(jù)被組織為知識圖(KG)。知識圖是一種節(jié)點對應(yīng)實體，邊對應(yīng)關(guān)系的有向異構(gòu)圖。它可以用 $（e_1,r,e_2）$ 表示，其中 $e_1$ 表示頭部實體， $r$ 表示關(guān)系， $e_2$ 表示尾實體。Knowledge graph embedding(KGE)是一種常用的從關(guān)系數(shù)據(jù)中學(xué)習(xí)信號的方法，其目的是將知識圖嵌入到連續(xù)向量空間中。

然而，直接使用KGE[4，25，45]的技術(shù)來建模RCF的項目關(guān)系是不可行的，因為在我們的特定領(lǐng)域中存在以下挑戰(zhàn):

1、項目關(guān)系定義為兩級層次結(jié)構(gòu)：關(guān)系類型和關(guān)系值。有時候我們的關(guān)系不是單一性的，有時候是可逆的。就像我們的電影例子一樣，第一級的關(guān)系類型是，同種類型體裁的電影，第二級考慮的關(guān)系值是小說，同樣的兩個作品，我們有兩層的表示。而很多傳統(tǒng)的有向圖是單一性的。

2、項目關(guān)系是可逆的。傳統(tǒng)的有向圖，是有確切的指向性，而我們是項目關(guān)系是可你的，需要建模無向圖。

應(yīng)對第一個挑戰(zhàn)，我們使用兩級層次結(jié)構(gòu)組件的總和作為關(guān)系embeddings。因此考慮直接將類型embedding和對應(yīng)的value embedding相加。得到下式：

對應(yīng)第二個挑戰(zhàn)，我們要構(gòu)建一個無向圖，對于無向圖的建模，需要滿足交換律的模型 $f(e_1,r,e_2)=f(e_2,r,e_1)$ ,即：

這里的 $diag（r）$ 表示對角線矩陣，其對角線元素相應(yīng)地等于r。

類似于推薦部分中使用的BPR損失，對于正例樣本，我們要最大化 $f(i,r,j)$ ，對于負(fù)例樣本，我們要最小化它。在 $f(i,r,j)$ 的基礎(chǔ)上，得到以下的目標(biāo)函數(shù)：

其中：

2.4 Multi-Task Learning（多任務(wù)學(xué)習(xí)）

RCF的總目標(biāo)函數(shù)為：

其中 $\Theta$ 為總空間， $\gamma$ 為正則化參數(shù)。

3、?EXPERIMENTS（實驗）

在這一部分中，文中對兩個真實的數(shù)據(jù)集進(jìn)行了實驗，以評估所提出的rcf模型。

此部分的目標(biāo)是回答以下研究問題：

RQ1、與最先進(jìn)的推薦模式相比，RCF的表現(xiàn)如何？

RQ2、多項關(guān)系如何影響模型性能？

RQ3、RCF如何幫助理解用戶的行為？它能產(chǎn)生更有說服力的建議嗎？

在下面的部分中，我們將介紹實驗設(shè)置，然后逐一回答以上的研究問題。

3.1?Experimental Settings（實驗設(shè)置）

3.1.1?Datasets（數(shù)據(jù)集）

文中用兩個可公開訪問的數(shù)據(jù)集進(jìn)行實驗：?MovieLens和KKBox，分別對應(yīng)于電影和音樂推薦。表2（下表）匯總了這兩個數(shù)據(jù)集的統(tǒng)計數(shù)據(jù)。

3.1.2?Evaluation protocols（評估協(xié)議）

對于MovieLens中的每個用戶，文中將他最近的兩次交互用于驗證和測試，并使用剩余的數(shù)據(jù)進(jìn)行訓(xùn)練。對于KKBox數(shù)據(jù)集，由于缺乏時間，文中隨機(jī)地將每個用戶的兩個交互關(guān)系為測試示例和驗證示例，并將其余的用于訓(xùn)練。由于此數(shù)據(jù)集中的項目數(shù)量很大，因此對每個用戶的所有項進(jìn)行排序太費時了。為了更好地評估結(jié)果，文中隨機(jī)抽取了999個沒有數(shù)據(jù)的項目。與目標(biāo)用戶保持一致，并根據(jù)這999項對驗證和測試項進(jìn)行排序。這在其他許多作品中得到了廣泛的應(yīng)用。

推薦質(zhì)量由 hit ratio（命中率HR）、?mean reciprocal rank（平均倒數(shù)秩MRR)和排序指標(biāo)normalized discounted cumulative gain（歸一化累積折扣信息增益值NDCG)三種指標(biāo)來衡量。

3.1.3?Compared methods（比較方法）

我們將RCF的性能與以下幾個方法進(jìn)行比較：

$MF$ :matrix factorization，這是矩陣分解。

$FISM$ :這是一種最先進(jìn)的 $ICF$ 模型。

$NAIS$ :該方法通過神經(jīng)網(wǎng)絡(luò)對 $FISM$ 進(jìn)行增強(qiáng)。

$FM$ : $FM(Factorization Machine)$ 主要是為了解決數(shù)據(jù)稀疏的情況下，特征怎樣組合的問題

$NFM$ ： $NFM（ Neural factorization machine）$ 通過使用 $MLP$ 來建立高階特征交互模型來改進(jìn) $FM$ 。

$CKE$ ： $Collaborative Knowledge base Embedding$ ，這是一種基于嵌入的 $KG$ 增強(qiáng)推薦方法。

$MoHR$ ：這種方法是一種最先進(jìn)的關(guān)系感知 $CF$ 方法。

3.1.4?Parameter settings（參數(shù)設(shè)置）

為了公平地比較模型的性能，我們通過優(yōu)化BPR損失和小批量AdaGrad來訓(xùn)練它們。

學(xué)習(xí)率設(shè)置為0.05，批處理大小設(shè)置為512。所有模型的embedding大小設(shè)置為64。對于所有基線，L2正則化系數(shù)在 $[1e^{-5},1e^{-4},1e^{-3},0]$ 。

對于FISM, NAIS and RCF，他們的平滑因子 $\rho$ 設(shè)置為0.5。

用FISM的100次迭代預(yù)訓(xùn)練NAIS。

對于RCF和NAIS，attention factor設(shè)為32。

對于NFM，我們使用包含100次迭代的fm嵌入作為預(yù)訓(xùn)練向量。

MLP層數(shù)設(shè)置為1，64個神經(jīng)元。

Dropout ratio在 $[0,0.1,...,0.9]$ 。

對于RCF的MLP，我們采用了與NFM相同的設(shè)置，以保證公平的比較。

對于MoHR，我們根據(jù)他們的原始論文將multi-task learning weights（多任務(wù)學(xué)習(xí)權(quán)重）設(shè)為1和0.1。

對于RCF，設(shè)置 $\gamma =0.01$ 。

3.2 模型比較

1、RQ1

查看上圖，是傳統(tǒng)的top-k對比法， $k=5,10,20$ 。很明顯RCF比其他模型都略勝一籌。RCF在兩個數(shù)據(jù)集中達(dá)到了更好的效果。兩個數(shù)據(jù)集的最后一行p值，表示其顯著性水平都小于0.05，證明結(jié)果是十分顯著的。那么第一個問題（RQ1、與最先進(jìn)的推薦模式相比，RCF的表現(xiàn)如何？）從上表可以很好地說明了。

2、RQ2（?多項關(guān)系如何影響模型性能？）

表4顯示了用平均總和代表相應(yīng)attention時的前10名推薦結(jié)果。查看上圖Avg-1是第一層attention? $a(u,t)$ ,Avg-2是第二層attention? $\beta _t(i,j,v)$ ,Avg-both是兩種attention。DEC是表現(xiàn)的平均下降。

RCF利用層次式attention mechanism（注意機(jī)制）對用戶偏好進(jìn)行建模。在這一部分中，我們進(jìn)行了實驗，證明了兩級attention的有效性。很明顯，第一級和第二級attention都是捕獲用戶偏好的必要條件，尤其是第二級attention，其目的是計算每個用戶的特定權(quán)重。

我們都知道，建議的RCF定義了與關(guān)系類型和關(guān)系值的項關(guān)系。為了證明這兩個部分的有效性，作者修改了RCF。表5展現(xiàn)了修改的細(xì)節(jié)。

表6報告了隱藏不同關(guān)系組件時的性能。

從表6，我們可以知道，RCF-type實現(xiàn)了比單一模型更好的性能，說明了關(guān)系類型的重要性，它有助于建模用戶對一類在某些宏透視圖中具有特殊相似性的項目的偏好。RCF-value的性能也優(yōu)于單一模型，關(guān)系價值在很大程度上通過從微觀角度捕捉用戶偏好來增加模型的真實性和表現(xiàn)力。RCF達(dá)到了最好的表現(xiàn)力。這證明了關(guān)系類型和關(guān)系值對用戶偏好的建模是必要的。

多任務(wù)學(xué)習(xí)的效果

圖4展現(xiàn)了不同 $\gamma$ 值的MRR和NDCG。

我們可以很明顯地看到，當(dāng) $\gamma$ 從0開始增大是，模型的性能在增強(qiáng)，當(dāng) $\gamma =0$ 時，多任務(wù)模型只計算 $L_{rec}$ ,當(dāng) $\gamma$ 大于0時，模型就要計算 $L_{rec}$ 和 $L_{rel}$ ，這說明這兩者聯(lián)合訓(xùn)練可以提高模型性能。實際上， $l_{rel}$ 的功能是引入一種約束，即如果兩個項之間有關(guān)系，則它們的嵌入之間必須有一個固有的結(jié)構(gòu)。此約束指導(dǎo)著項和關(guān)系embeddings的學(xué)習(xí)過程，從而有助于提高模型的性能。

但是當(dāng) $\gamma$ 提升到一定的時候，模型的性能會下降。因為RCF的主要目標(biāo)是建議而不是預(yù)測項目關(guān)系，所以我們必須確保 $l_{rec}$ 在總損失中占有關(guān)鍵的部分。

第二個問題在上面已經(jīng)有很好的解釋了。

3、RQ3（RCF如何幫助理解用戶的行為？它能產(chǎn)生更有說服力的建議嗎？）

接下來，進(jìn)行了定性分析，以說明RCF如何幫助我們理解用戶行為并產(chǎn)生更有說服力的建議。

圖5展示了兩個數(shù)據(jù)集的平均 $a(u,t)$ ， $a(u,t)$ 表示用戶 $u$ 對關(guān)系類型t感興趣的attention。我們可以看到，在MovieLens數(shù)據(jù)集上，最大的屬于類型，這意味著用戶傾向于觀看相同類型的電影,其次是導(dǎo)演。這一發(fā)現(xiàn)與常識一致，即類型和演員是影響用戶對電影選擇的最重要的兩個因素。其中 $t_0$ 是最低的，這說明僅僅考慮協(xié)作相似性對用戶偏好進(jìn)行建模是不明智的。

在音樂領(lǐng)域中，我們可以看到，最重要的關(guān)系類型是artist。接下來是composer和lyricist。與電影領(lǐng)域相比，音樂領(lǐng)域中的attention? $a(u,t_0)$ 要小得多。這表明，用戶在聽音樂時的行為模式比看電影時更加明顯。

個案研究

我們在MovieLens數(shù)據(jù)集中隨機(jī)選擇一個用戶U54，以了解RCF如何幫助我們理解單個用戶的行為。圖6顯示了這個用戶的attention可視化。

我們可以看到，這個用戶在看電影時最注意(0.4003)關(guān)系類型“genre”。在第二級關(guān)系值中，他最感興趣的是“crime”(0.4477)和“sci-fic”(0.3928)。根據(jù)他的歷史互動電影“崩潰”和“第五要素”，推薦的電影是“FACE/OFF”。

4、結(jié)論

在本文中，作者的在本文中提出了一個新的icf框架，即rcf來建模多項關(guān)系以獲得更好的推薦。RCF將ICF的項目關(guān)系從協(xié)作相似性擴(kuò)展到！n-粒度關(guān)系和具體關(guān)系.我們發(fā)現(xiàn)關(guān)系類型和關(guān)系值都是捕獲用戶p的關(guān)鍵。RCF將ICF的項目關(guān)系從協(xié)作相似擴(kuò)展到細(xì)粒度的具體關(guān)系。然后發(fā)現(xiàn)關(guān)系類型和關(guān)系值是捕獲用戶偏好的關(guān)鍵。通過多任務(wù)學(xué)習(xí)框架以端到端的方式進(jìn)行。對兩個現(xiàn)實數(shù)據(jù)集進(jìn)行的大量實驗表明，RCF比最先進(jìn)的基線有了顯著的改進(jìn)。此外，RCF還為我們提供了一種更好地理解用戶行為和產(chǎn)生更具說服力的建議的方法。

參考：

https://blog.csdn.net/qq_35564813/article/details/89766359

三个男躁一个女,国精产品一区一手机的秘密,麦子交换系列最经典十句话,欧美 国产 综合 欧美 视频

《Relational Collaborative Filtering: Modeling Multiple Item Relations for Recommendation》

摘要