一种用于 Top-N 推荐系统的关联去噪自编码器以建模社会影响
信息检索
2019-12-06 v3 机器学习
社会与信息网络
摘要
近年来，已有大量工作致力于利用深度学习技术来提升社交感知推荐系统的性能。在多数情况下，训练一个鲁棒的深度学习模型需要大量数据，而这类模型包含众多参数来拟合训练数据。然而，用户评分数据和社交网络数据都面临着严重的稀疏问题，这使得训练一个鲁棒的深度神经网络模型并非易事。针对这一问题，我们提出了一种新颖的关联去噪自编码器（CoDAE）方法，通过考虑具有多重角色的用户之间的相关性，从稀疏的评分和社交网络输入中学习鲁棒的表示以用于推荐。我们通过利用三个分离的自编码器分别学习用户作为评分者、信任者和被信任者角色的特征，构建了 CoDAE 模型。特别是，考虑到具有信任者和被信任者角色的用户向量中的每个输入单元都对应于一个特定的用户，我们提出利用共享参数来学习对应于相同用户的单元的共同信息。此外，我们提出了一个关联正则化项来学习由 CoDAE 模型的三个子网络学得的用户特征之间的相关性。我们进一步在两个公开数据集上进行了一系列实验，以评估所提出的方法在 Top-N 推荐任务上的表现。实验结果表明，所提出的模型在 MAP 和 NDCG 等排序敏感指标上优于当前最先进的算法。
引用
@article{arxiv.1703.01760,
title = {A Correlative Denoising Autoencoder to Model Social Influence for Top-N Recommender System},
author = {Yiteng Pan and Fazhi He and Haiping Yu},
journal= {arXiv preprint arXiv:1703.01760},
year = {2019}
}
备注
Accepted by Frontiers of Computer Science