A dual learning-based recommendation approach
A dual learning-based recommendation approach
复制标题
基于双重学习的推荐方法
DOI：
10.1016/j.knosys.2022.109551
复制
发表时间：
2022-07
期刊：
影响因子：
--
通讯作者：
Zhendong Niu
中科院分区：
文献类型：
--
作者：
Shanshan Wan;Ying Liu;Dongwei Qiu;James Chambua;Zhendong Niu
数据稀疏性和冷启动是推荐系统需要解决的两个关键问题。目前，大多数方法通过应用用户历史文件或一些辅助信息来改进用户模型并完成评级矩阵来解决这些问题。然而，当标记数据稀缺或不可用时，这样的方法不能很好地执行。在本文中，我们提出了一个双重学习为基础的推荐方法（DLRA）。DLRA可以触发初始推荐，并通过使用RS的二重性特性，提高推荐质量，即使在可用的标记信息是稀缺的。具体地说，DLRA将推荐任务看作两个独立的子任务--原始任务和对偶任务，这两个任务在DLRA中表现出很强的对偶性。原始任务是以项目为中心的，旨在找到对项目评价高的用户，而双重任务是以用户为中心的，旨在向用户推荐最喜欢的项目。这两个任务在推荐空间、选择概率和推荐依据方面具有很强的对偶性。基于这些对偶性，设计了三种对偶学习策略，耦合整个推荐过程，实现各个任务模型的自调整和自改进，最终优化整个推荐模型。基于Movielens和BookCrossing的数据集，模拟了数据稀疏和冷启动推荐场景，实验结果表明，DLRA在标记数据稀少的情况下，推荐效果有了显著改善，并且在预测误差较小的情况下，优于其他混合推荐方法和深度学习策略，推荐准确率更高。
Data sparsity and cold start are two critical issues which need to be addressed in recommender systems (RSs). Currently, most methods address these issues by applying user history files or some side information to improve the user model and complete the rating matrix. However, such methods cannot perform well when labeled data is scarce or unavailable. In this paper, we propose a dual learning-based recommendation approach (DLRA). DLRA can trigger initial recommendation and improve the quality of recommendations by using the duality characteristics of RSs, even when the available labeled information is scarce. Specifically, DLRA regards the recommendation task as two independent subtasks – primal task and dual task, and these two tasks show strong duality in DLRA. The primal task is item-centered which aims to find users who can rate high for items, while the dual task is user-centered that aims to recommend the most favorite items to users. These two tasks have strong dualities in terms of the recommendation space, selection probability and recommendation basis. Based on these dualities, we design three dual learning strategies to couple the whole recommendation process and realize the self-tuning and self-improvement of each task model, and finally optimize the whole recommendation model. Based on the dataset of Movielens and BookCrossing, we simulate data sparsity and cold start recommendation scenarios, the experimental results show that DLRA achieves substantial improvement when the labeled data is scare, and it outperforms other hybrid recommendation approaches and deep learning strategies with a smaller predictive error as well as better recommendation accuracy.
登录
查看更多内容
DOI：
10.1111/mice.12757
发表时间：
2021-09
期刊：
Computer‐Aided Civil and Infrastructure Engineering
影响因子：
--
作者：
Bo Zhang-;Zhaofeng Xu;Jian Zhang;Gang Wu
通讯作者：
Bo Zhang-;Zhaofeng Xu;Jian Zhang;Gang Wu
DOI：
10.1109/icccnt56998.2023.10306417
发表时间：
2022-02
期刊：
2023 14th International Conference on Computing Communication and Networking Technologies (ICCCNT)
影响因子：
--
作者：
Gilad Cohen;Raja Giryes
通讯作者：
Gilad Cohen;Raja Giryes
DOI：
10.1609/aaai.v32i1.12037
发表时间：
2018-04
期刊：
--
影响因子：
--
作者：
Xiaoyan Cai;Junwei Han;Libin Yang
通讯作者：
Xiaoyan Cai;Junwei Han;Libin Yang
DOI：
10.24963/ijcai.2017/434
发表时间：
2017-08
期刊：
--
影响因子：
--
作者：
Yingce Xia;Jiang Bian;Tao Qin;Nenghai Yu;Tie-Yan Liu
通讯作者：
Yingce Xia;Jiang Bian;Tao Qin;Nenghai Yu;Tie-Yan Liu
影响因子：
8.5
作者：
Bobadilla, Jesus;Hernando, Antonio;Bernal, Jesus
通讯作者：
Bernal, Jesus