Der Artikel stellt einen neuartigen Ansatz namens Wasserstein-abhängiges Graph-Aufmerksamkeitsnetzwerk (W-GAT) für das kollaborative Filtern mit Unsicherheit vor.
Zunächst wird erläutert, dass die meisten kollaborativen Filterverfahren Nutzer und Artikel als feste Punkte im latenten Raum darstellen und daher die Fähigkeit zur Erfassung von Unsicherheit fehlt. Um dies zu adressieren, verwendet W-GAT ein Graph-Aufmerksamkeitsnetzwerk, um Gauß-Darstellungen von Nutzern und Artikeln zu lernen.
Darüber hinaus führt W-GAT die Wasserstein-Abhängigkeit in das kollaborative Filtern ein, um die gegenseitige Information zwischen Nutzern und relevanten Artikeln zu maximieren. Dies adressiert die Einschränkungen der weit verbreiteten Verwendung von KL-Divergenz.
Umfangreiche Experimente auf drei Benchmark-Datensätzen zeigen die Überlegenheit von W-GAT gegenüber mehreren repräsentativen Baseline-Methoden. Die Ergebnisse validieren die Effektivität von W-GAT bei der Erfassung von Unsicherheit durch die Modellierung der Bandbreite von Nutzervorlieben und Artikelkategorien.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Haoxuan Li,Y... a las arxiv.org 04-10-2024
https://arxiv.org/pdf/2404.05962.pdfConsultas más profundas