融合侧信息的集体变分自编码器 Top-$N$ 推荐方法

推荐系统因其在许多真实场景中的实际应用而被广泛研究。尽管如此，在用户评分稀疏的情况下生成有效推荐仍是一项挑战。与物品相关的侧信息已被广泛用来解决评分稀疏性。现有使用侧信息的推荐模型是线性的，因此表达能力受限。深度学习已用于通过从侧信息中学习深层物品表示来捕捉非线性，但由于侧信息是高维的，现有深度模型往往具有较大的输入维度，这在其整体规模中占主导地位。这使得它们难以训练，尤其在输入数量较少时。本文中，我们不是去学习物品表示（在高维侧信息下存在问题），而是提出通过深度学习从侧信息中学习特征表示。另一方面，学习特征表示可确保有足够数量的输入来训练深度网络。为此，我们提出利用变分自编码器（VAE）同时恢复用户评分与侧信息。具体而言，用户评分与侧信息通过相同的推断网络与生成网络被集体编码与解码。这是可能的，因为用户评分与侧信息均为与物品相关的数据。为考虑用户评分与侧信息的异质性，生成网络的最终层根据信息类型遵循不同分布。所提模型易于实现且优化高效，并被证明优于使用侧信息的最先进 top-$N$ 推荐方法。