.png){kind=icon}
返回
Two-Tower Structure Recommendation Method Fusing Multi-Source Data
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14051003.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
鉴于推荐系统不擅长整合多源信息和用户情感的问题，本文提出了一种用于序列特征提取的BERT-LSTM双塔推荐方法（BLDRM-SFE）。该方法利用BERT从用户评论和商品详情中提取语义特征，并通过嵌入获取商品ID及其分组的向量表示。用户塔将用户评论特征与商品分组特征结合，生成用户向量，而商品塔则整合商品详情特征与商品ID向量，生成商品向量。两个塔的输出经LSTM处理，以处理商品ID序列信息，揭示潜在序列关系，并生成评分预测，从而构建个性化推荐列表。实验结果表明，该方法在Amazon Review Data和Yelp数据集上显著优于四种基准模型——BERT4Rec、PRM、BST和ComiRec。在Amazon数据集上，BLDRM-SFE相较于基准模型在五项指标上分别提升了10.39%、8.08%、10.78%、10.59%和5.49%；在Yelp数据集上，提升幅度分别为10.95%、10.06%、13.04%、12.59%和10.8%。此外，消融实验证实了商品ID序列信息对方法性能的积极影响。结果表明，引入序列信息显著增强了推荐性能。
Keyword:
two-tower structure
sequential recommendation
feature fusion
sequential features
personalized recommendation
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
分享收藏
A Dual-Tower Model for Enhanced Sequence Recommendations Using Time-Mixing Attention and Adaptive Gating Mechanism基于时间混合注意力与自适应门控机制的双塔模型，用于增强序列推荐.png)
2024 5th International Conference on Electronic Communication and Artificial Intelligence (ICECAI)
2024 5th International Conference on Electronic Communication and Artificial Intelligence (ICECAI)IF0
PREAI
分享收藏
查看更多内容