用于推荐的俄罗斯套娃表示学习：结合层适应性和难度自适应的负样本抽取方法

《ACM Transactions on Intelligent Systems and Technology》：Matryoshka Representation Learning for Recommendation with Layer- and Hardness-Adaptive Negative Sampling

用户偏好和项目特征通过嵌套向量空间分层表示，提出MRL4Rec方法和LHANS机制优化训练三元组，实验证明优于现有推荐系统方法。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

表示学习对于基于深度神经网络的推荐系统至关重要，它能够利用固定维度的用户和项目向量来捕捉用户偏好和项目特征。与现有的表示学习方法不同，这些方法要么将每个用户偏好和项目特征统一处理，要么将它们分类到离散的簇中。我们认为，在现实世界中，用户偏好和项目特征是以层次化的方式自然表达和组织的，这为表示学习开辟了一个新的方向。

在本文中，我们提出了一种新颖的 马祖卡表示学习方法用于推荐（MRL4Rec），通过该方法，我们将用户和项目向量重构为具有嵌套向量空间的马祖卡表示，以在不同层次上明确表示用户偏好和项目特征。我们从理论上证明了，使用相同的三元组对每个切片向量进行训练 无法 保证获得具有层次结构的表示。随后，我们提出了 分层和难度自适应负采样（LHANS）机制来构建训练三元组，进一步确保了学习到的马祖卡表示在捕捉层次化用户偏好和项目特征方面的有效性。实验表明，MRL4Rec 在多个真实数据集上能够持续且显著地优于许多现有的竞争方法。我们的代码可在 https://github.com/Riwei-HEU/MRL 公开获取。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者编写或审核的。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进和未来重新生成的版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。