

【论文阅读】User Diverse Preference Modeling by Multimodal Attentive Metric Learning
本文提出了一种多模态注意力度量学习(MAML)方法用于用户偏好建模。针对传统协同过滤方法中点积运算不满足度量性质的问题,以及度量学习方法存在的几何限制,MAML通过为每个用户-物品对动态生成注意力权重向量,将用户和物品投影到定制化的特征空间中进行距离计算。该方法利用物品的多模态信息(文本和视觉特征)作为输入,通过两层神经网络计算注意力权重,并采用改进的归一化方法增强模型区分能力。实验表明,MAML不仅能准确捕捉用户对物品不同方面的差异化关注,还克服了传统方法的几何局限性,在推荐性能上优于现有基线模型。