典型文献
推荐系统中稀疏情景预测的特征-类别交互因子分解机
文献摘要：
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.在IFM的基础上,提出了一种特征-类别交互因子分解机(FIFM)模型.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和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.
文献关键词：
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
中图分类号：
作者姓名：
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 北京 100190;中国科学院大学计算机科学与技术学院 北京 101408
文献出处：
引用格式：
[1]黄若然;崔莉;韩传奇-.推荐系统中稀疏情景预测的特征-类别交互因子分解机)[J].计算机研究与发展,2022(07):1553-1568
A类：
稀疏情景预测,FIFM,GFIM
B类：
推荐系统,因子分解机,增长与发展,factorization,特征交互,语义关系,感知交互,interaction,aware,machines,交互特性,再融合,来得,交互机制,交互信息,有效信息,交互感知,用户行为,行为模式,参数量,时间复杂度,非线性特征,合算,算力,真实数据,RMSE,实验工作,工作探究,空间复杂度,分析讨论,注意力网络,深度神经网络
AB值：
0.273416
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
