【推荐系统】：AotoRec 模型解析

对于AotoRec 这个推荐模型而言，他最经典的地方就是第一次将深度学习引入到了推荐系统当中。这个推荐模型于2015年，澳大利亚国立大学的研究者所提出。整体思想则是使用一个自编码器，将高纬度空间的数据进行提取，并进行还原。这样我们拿到了训练好的自编码器的权重和神经元，就可以用这些来预测我们已有的一些其他用户的数据，我们可以将其他用户的数据同时也扔到AotoRec这个模型当中，让模型通过经验去预测这个用户所缺失的地方（对于确实数据），他可能会喜欢什么样的物品，以及同时去重新拟合当前用户所喜欢的物品（对于已知数据）。

• 每个用户u∈U={1,...,m}u∈U={1,...,m}，可以被表示成一个部分可观察向量（partially observed vector）：r(u)=(Ru1,...,Run)∈Rnr(u)=(Ru1,...,Run)∈Rn

相似的，每个item i∈I={1,...,n}i∈I={1,...,n}，可以被表示成：

• r(i)=(R1i,...,Rmi)∈Rm

模型的结构如下：

 

 这个模型非常简单，我个人感觉其实可以增加全连接神经网络的层数，这样就可以提高模型进行“深度交叉”的性能，使模型具备更大的弹性。