论文笔记：NAIS: Neural Attentive Item Similarity Model for Recommendation

笔记：NAIS: Neural Attentive Item Similarity Model for Recommendation"/>

论文笔记：NAIS: Neural Attentive Item Similarity Model for Recommendation

一、基本信息

论文题目：《NAIS: Neural Attentive Item Similarity Model for Recommendation》

发表时间：IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, VOL. 30, NO. 12, DECEMBER 2018

论文作者：

二、摘要

项目对项目协同过滤（又称基于项目的协同过滤）长期以来被用于在工业环境中构建推荐系统，因为它具有可解释性和实时个性化的效率。它构建了一个用户的profile作为她的历史互动项目，推荐类似于用户的profie的新项目。因此，基于项目的CF方法的关键在于对项目相似性的估计。早期的方法使用诸如cosine相似度和pearson coefficient等统计指标来估计项目相似度，因为它们缺乏针对推荐任务的定制优化，因此不太准确。近年来，有几项工作试图从数据中学习项目相似性，将相似性表示为基础模型，并通过优化建议感知目标函数估计模型参数。在广泛应用浅线性模型学习项目相似性的同时，探索基于项目的CF的非线性神经网络模型的工作相对较少，本文提出了一种基于项目的CF的神经网络模型，称为神经注意项目相似性模型（NAIS），设计NAIS的关键是一个注意力网络，它能够区分用户档案中哪些历史项目对预测更重要。与目前最先进的基于项目的CF方法因子项相似模型（Fism）[1]相比，我们的NAIS具有更强的表示能力，并且只需注意网络带来的一点点附加参数。对两个公共基准进行的大量实验证明了N