یادگیری متقابل عمیق سیستم‌های توصیه‌کننده چند وظیفه‌ای را با ویژگی‌کاوی Cross Task بهینه می‌کند.

چکیده و 1 مقدمه

  1. روش شناسی
  2. آزمایش ها
  3. نتیجه گیری و مراجع

2. روش

در این بخش ابتدا مسئله رتبه بندی چند هدفه برای سیستم های توصیه گر را معرفی می کنیم. دوم، ما طراحی کلی DML را شرح می دهیم. در نهایت به اجزای معرفی شده می پردازیم.

2.1 رتبه بندی چند هدفه برای Recsys

2.2 طراحی کلی DML

لطفاً برای معماری کلی شبکه DML به شکل 1 مراجعه کنید. با الگوریتم های MTL موجود[25]، معادله (1) را می توان به صورت زیر تجزیه کرد. برای سادگی، زیرنویس 𝑛 را در این قسمت حذف می کنیم.

در این تحقیق، به جای 𝐺، ما بر تقویت شبکه‌های سطح بالا برای بهبود عملکرد پیش‌بینی تمرکز می‌کنیم. ابتدا، مؤلفه مشترک CTFM معرفی می‌شود، که مکانیسم توجه را برای استخراج اطلاعات مربوطه از ورودی‌های برج‌های وظیفه دیگر (نتایج معادله (3)) به عنوان مکمل وظیفه هدف به کار می‌گیرد. لطفاً توجه داشته باشید که این توجه به خوبی برای حل مسئله گمشده آگاهی از وظیفه طراحی شده است، که برای آن تشویق بیش از حد به اشتراک گذاری دانش برای استخراج دانش خاص کار مفید نیست. با طراحی ما، گرادیان های محاسبه شده از تلفات وظیفه هدف، بر ورودی های دیگر برج های وظیفه تاثیری نخواهد داشت.

2.3 وظیفه متقابل …

Source link