Improving Dual-Regularized Matrix Factorization Using Hierarchical Attention Networks

論文翻譯標題: 使用階層注意力網路改善雙調節矩陣分解法
  • 楊 潓賢

學生論文: Doctoral Thesis

摘要

隨著消費者的需求日新月異,商品多樣化變成了趨勢,但面對琳瑯滿目的 商品,消費者常手足無措,不知如何選擇,而推薦演算法能有效解決此問題, 所以商務網站的推薦系統也越來越顯重要。主要常見的推薦系統可分成四大 類,協同過濾推薦、基於內容推薦、基於知識推薦與整合各別優點的混合型推 薦,而前三者中又以協同過濾的推薦效果最好,所以成為了主流,在一般常用 的協同過濾推薦模型(Model-Based Recommendation)效果雖然優異,但大都是以 評價為主要資訊,未充分使用到其他資訊來幫助推薦的品質,因此本論文提出 了一個同時考量了數值評價與文字評論的商品推薦研究,整合HAN(Hierarchical Attention Networks)模型與PMF(Probabilistic Matrix Factorization)來提高推薦正確 率,利用HAN模型擅長處理序列性資料的特性來擷取文字特徵,並使用注意力 機制讓每個文字賦予不一樣的權重,抽取用戶與商品評論權重較高的單字來 代表特徵,而根據本論文的實驗結果顯示本研究所提出的HAN-PMF模型相較 於Wu et al (2018)提出的DRMF和Mnih and Salakhutdinov(2008)提出的PMF模型為 佳,證明本模型有一定品質的推薦準確率。
獎項日期2019
原文English
監督員Ren-Shiou Liu (Supervisor)

引用此

'