user与item是否应该使用同样的词向量矩阵

[WinChua]

DeepCoNN/model/DeepCoNN.py

Lines 30 to 33 in 67ddbb7

	with tf.name_scope("user_embedding"):
	self.W1 = tf.Variable(
	tf.random_uniform([user_vocab_size, embedding_size], -1.0, 1.0),
	name="W")

DeepCoNN/model/DeepCoNN.py

Lines 37 to 40 in 67ddbb7

	with tf.name_scope("item_embedding"):
	self.W2 = tf.Variable(
	tf.random_uniform([item_vocab_size, embedding_size], -1.0, 1.0),
	name="W")

你好， 你的实现中针对user，item使用了不同的lookup 矩阵，也就是说，同一个单词在user中对应的词向量，跟item中对应的词向量是不一样的；
这似乎有点说不通。

[chenchongthu]

你好，我们这样做是为了提高模型的泛化能力。虽然是同一个单词，但是user这边的词向量描述这个单词代表的user preference， item部分的词向量描述单词代表的item profile，在词向量的表示上会有一点差别。事实上，对于user和item的评论，我们使用Google News中训练好的词向量进行初始化，此时两边的词向量是相同的，之后会随着模型各自进行训练并进行各自的微调，来更好的适应任务。

另外，我们也尝试使用相同的lookup矩阵，当词向量的向量空间（维度）足够大时，对结果的影响比较小，但是当维度比较小时，结果会变差。所以为了提高模型的泛化能力，我们最终采用了不同的词向量。