《A?ttentive Collaborative Filtering：》閱讀筆記

01-29

由於標題太長無法保存，故截取了部分標題，完整標題如下：

A?ttentive Collaborative Filtering: Multimedia Recommendation with Item- and Component-Level Att?ention

論文來源：SIGIR2017
論文鏈接：A?ttentive Collaborative Filtering: Multimedia Recommendation with Item- and Component-Level A?ttention

1、問題介紹

本文針對多媒體領域的推薦，多媒體主要指video和image。大多數的協同過濾系統忽略了用戶與多媒體內容交互的隱式反饋信息，作者認為在多媒體領域存在著item-level和component-level的隱式反饋；item-level的隱式反饋是指用戶對視頻或者圖片的喜好是未知的,component-level的隱式反饋是指用戶對item的components（可以是圖片的某一部分或者視頻的某一幀）的喜好是未知的。

item-level的隱式反饋：每個用戶都通過顯示反饋（例如對物品的評分）與一系列物品相連，然而用戶對這一系列的物品的喜好程度是不一樣的，例如用戶對某些視頻的「喜歡」可能是由於朋友的推薦，並不是他真正的喜好。甚至對於用戶真正喜歡的視頻，視頻之間的喜好程度也是有差別的。用戶對視頻的喜好信息沒有被提供的情形被稱為item-level的隱式反饋。

component-level的隱式反饋：指的是用戶對視頻的某一幀的喜好程度是未知的。

2、模型結構

作者提出ACF模型（A?ttentive Collaborative Filtering）來對多媒體進行推薦。上圖中的 $x_{j,l}$ 表示item j的第l個component； $beta(j,l)$ 表示第l個component的attention； $alpha(i,j)$ 表示item j對user i的item-level的attention。用戶的隱向量由與用戶交互過的物品向量 $p_{l}$ 和用戶的偏置向量 $u_{i}$ 來建模，每個交互物品對用戶向量的貢獻是有差異的，體現為下述公式中 $alpha(i,l)$ 的大小。所以每個物品有2個隱向量，一個表示該物品的特徵向量 $v_{j}$ ，另一個表示對用戶建模的隱向量 $p_{l}$ 。 $R(i)$ 表示與用戶i交互過的物品的集合。ACF用BPR pairwise目標函數：

預測打分：

與領域推薦的關係：

後面一項是加權的領域模型推薦表示。傳統的領域推薦是對每個交互物品同等看待的，也就是相同的權重。

3、attention的構建

attention分為item-level和component-level。由component-level的attention加權生成item的內容向量 $x_{l}$ ，之後由該內容向量 $x_{l}$ 和item的隱向量 $v_{l}$ ，以及user的偏置隱向量 $u_{i}$ 和物品的貢獻向量 $p_{l}$ 得到某個item對某個user的attention。