协同过滤的神经自回归方法
信息检索
2016-06-01 v1 机器学习
机器学习
摘要
本文提出CF-NADE，一种用于协同过滤(CF)任务的神经自回归架构，其灵感来源于基于受限玻尔兹曼机(RBM)的CF模型和神经自回归分布估计器(NADE)。我们首先描述了CF-NADE的基本模型。然后我们提出通过在不同评分之间共享参数来改进模型。还提出了一种分解版本的CF-NADE以获得更好的可扩展性。此外，我们考虑了偏好的序数性质并提出了一种序数成本来优化CF-NADE，结果表明其性能优越。最后，CF-NADE可扩展为深度模型，仅需中等程度增加的计算复杂度。实验结果表明，具有单隐藏层的CF-NADE在MovieLens 1M、MovieLens 10M和Netflix数据集上优于所有先前最先进的方法，增加更多隐藏层可进一步提升性能。
引用
@article{arxiv.1605.09477,
title = {A Neural Autoregressive Approach to Collaborative Filtering},
author = {Yin Zheng and Bangsheng Tang and Wenkui Ding and Hanning Zhou},
journal= {arXiv preprint arXiv:1605.09477},
year = {2016}
}
备注
Accepted by ICML2016