Among various recommendation methods, latent factor models are usually considered to be state-of-the-art techniques, which aim to learn user and item embeddings for predicting user-item preferences. When applying latent factor models to the recommendation with implicit feedback, the quality of embeddings always suffers from inadequate positive feedback and noisy negative feedback. Inspired by the idea of NSVD that represents users based on their interacted items, this article proposes a dual-embedding based deep latent factor method for recommendation with implicit feedback. In addition to learning a primitive embedding for a user (resp. item), we represent each user (resp. item) with an additional embedding from the perspective of the interacted items (resp. users) and propose attentive neural methods to discriminate the importance of interacted users/items for dual-embedding learning. We design two dual-embedding based deep latent factor models, DELF and DESEQ, for pure collaborative filtering and temporal collaborative filtering (i.e., sequential recommendation), respectively. The novel attempt of the proposed models is to capture each user-item interaction with four deep representations that are subtly fused for preference prediction. We conducted extensive experiments on four real-world datasets. The results verify the effectiveness of user/item dual embeddings and the superior performance of our methods on item recommendation.

中文翻译：

---

用于推荐的基于双嵌入的深度潜在因素模型

在各种推荐方法中，潜在因素模型通常被认为是最先进的技术，旨在学习用户和项目嵌入以预测用户-项目偏好。当将潜在因素模型应用于具有隐式反馈的推荐时，嵌入的质量总是受到不足的正反馈和嘈杂的负反馈的影响。受 NSVD 的思想启发，基于他们的交互项目来表示用户，本文提出了一种基于双嵌入的深度潜在因子方法，用于带有隐式反馈的推荐。除了为用户（resp.item）学习原始嵌入之外，我们还从交互项目（resp.item）的角度用附加嵌入来表示每个用户（resp.item）。用户）并提出细心的神经方法来区分交互用户/项目对双嵌入学习的重要性。我们设计了两个基于双嵌入的深度潜在因子模型 DELF 和 DESEQ，分别用于纯协同过滤和时间协同过滤（即顺序推荐）。所提出模型的新颖尝试是用四个深度表示来捕捉每个用户-项目的交互，这些深度表示被巧妙地融合以进行偏好预测。我们对四个真实世界的数据集进行了广泛的实验。结果验证了用户/项目双重嵌入的有效性以及我们的方法在项目推荐方面的卓越性能。分别用于纯协同过滤和时间协同过滤（即顺序推荐）。所提出模型的新颖尝试是用四个深度表示来捕捉每个用户-项目的交互，这些深度表示被巧妙地融合以进行偏好预测。我们对四个真实世界的数据集进行了广泛的实验。结果验证了用户/项目双重嵌入的有效性以及我们的方法在项目推荐方面的卓越性能。分别用于纯协同过滤和时间协同过滤（即顺序推荐）。所提出模型的新颖尝试是用四个深度表示来捕捉每个用户-项目的交互，这些深度表示被巧妙地融合以进行偏好预测。我们对四个真实世界的数据集进行了广泛的实验。结果验证了用户/项目双重嵌入的有效性以及我们的方法在项目推荐方面的卓越性能。