基于Setwise排序的深度输入感知因子分解机

来源：计算机工程与科学杂志2023年第10期北京时间：

作者：刘通, 周宁宁

单位：南京邮电大学计算机学院,江苏 南京 210023

摘要：SetRank是一种新颖的Setwise贝叶斯协同排序模型，能够以更贴合实际场景的方式对隐式反馈的数据进行建模。然而，SetRank中只考虑了协同信息，缺乏对内容信息的有效利用。为解决上述问题，首先提出了一种基于Setwise排序的因子分解机模型SRFMs，借鉴SetRank中的Setwise排序解决隐式反馈中的负样本缺失问题，选择因子分解机作为预测器来建模内容信息，从优化项目排序的角度出发建模用户偏好；接着，为改进标准FM中固定特征表示以及缺少高阶特征交互的缺点，受IFM启发，提出将输入感知与深度神经网络相结合，融入SRFMs从而构建出SR-DIFM模型；最后，在2个真实数据集上进行了实验，结果表明，所提出的模型在解决隐式反馈场景下推荐问题的同时，可以更好地利用用户和项目的内容信息,从而获得更高的推荐准确率，在HR、NDCG和mAP等客观指标上都优于其他模型。

关键词：隐式反馈,内容信息,排序学习,因子分解机,神经网络,