AutoRec: Autoencoders Meet Collaborative Filtering

Sedhain S., Menon A. K., Sanner S. and Xie L. AutoRec: autoencoders meet collaborative filtering. In International Conference on World Wide Web (WWW), 2015.

其实看到推荐系统结合AutoEncoder, 我的第一反应是通过encoder提取特征, 然后利用注入内积的方式来计算得分. 没想到这里是直接预测得分.

主要内容

训练

对于得分矩阵 RRm×n, 每一行:

r(u)=(Ru1,,Run)Rn

表示一个用户的打分, 每一列

r(i)=(R(1i),,Rmi)Rm

表示一个物品的得分. 当然, R是一个稀疏的矩阵, 我们希望通过自编码预测这些缺失的元素:

r^:=h(r;θ)=f(Wg(Vr+μ)+b),

这个自编码的输入可以是r(u) (user-based) 或者 r(i) (item-based). 我们希望通过下式来使得预测更加准确:

minW,V,μ,brrh(r;θ)O2+λ2(WF2+VF2),

其中O表示仅非缺失(可观测)元素之间进行操作.

预测

我们可以通过:

R^ui=(h(r(i);θ))u

R^ui=(h(r(u);θ))i,

这取决于你选择item-based或者user-based的模型.

疑问

这个怎么冷启动呢? 模型的输入的维度都是固定的.

代码

NeWhlx5991-AutoRec-for-CF

posted @   馒头and花卷  阅读(109)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· Manus重磅发布:全球首款通用AI代理技术深度解析与实战指南
· 被坑几百块钱后,我竟然真的恢复了删除的微信聊天记录!
· 没有Manus邀请码?试试免邀请码的MGX或者开源的OpenManus吧
· 园子的第一款AI主题卫衣上架——"HELLO! HOW CAN I ASSIST YOU TODAY
· 【自荐】一款简洁、开源的在线白板工具 Drawnix
点击右上角即可分享
微信分享提示