返回
Multi-Head multimodal deep interest recommendation network
DOI:10.1016/j.knosys.2023.110689.png)
摘要
En 中文
从机器学习推荐到深度学习推荐、强化学习推荐、推荐模型压缩等,推荐算法的网络结构变得更加复杂、更具表现力、更轻量级、实时性更高。然而,这些模型大多致力于通过挖掘评级和文本信息来进行推荐,研究人员已经优化了许多推荐模型的网络结构。但挖掘图像信息和丰富推荐模型特征的研究较少,深度推荐模型结构和实时性仍有一定的优化空间。为此,本文通过在DIN模型中添加多头和多模态模块,提出了一种称为MMDIN的模型。多模态模块提取图像特征,丰富了模型可利用的特征集,加强了模型的交叉组合和拟合表达能力。同时,多头机制从不同维度提取特征,进一步提升了模型预测性能。实验结果表明,所提出的MMDIN模型提高了推荐预测性能,并且在综合指标方面优于最新方法。& COPY; 2023 Elsevier B.V.
Keyword:
Multimodal
Multi-Head
Deep learning recommendation
Deep interest recommendation network
Attention-based recommender system
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Learning compact yet accurate Generative Adversarial Networks for recommender systems为推荐系统学习紧凑而准确的生成对抗网络
Incidence of Dementia in Relation to Genetic Variants at PITX2, ZFHX3, and ApoE ε4 in Atrial Fibrillation Patients房颤患者中与PITX2,ZFHX3和apoeε4遗传变异相关的痴呆发生率
Graph embedding-based approach for detecting group shilling attacks in collaborative recommender systems基于图嵌入的协同推荐系统群先令攻击检测方法
RBPR: A hybrid model for the new user cold start problem in recommender systemsRBPR: 推荐系统中新用户冷启动问题的混合模型

