广义推荐系统：一种高效的非线性协同过滤方法
信息检索
2024-02-27 v5 机器学习
摘要
近年来，深度神经网络（DNNs）因其能够捕捉物品与用户之间复杂的非线性关系，被广泛引入协同过滤（CF）以产生更精准的推荐结果。然而，基于 DNNs 的模型通常存在计算复杂度高的问题，即训练耗时极长且需存储海量可训练参数。为解决这些问题，我们提出一种称为广义协同过滤（BroadCF）的新型广义推荐系统，这是一种高效的非线性协同过滤方法。我们使用广义学习系统（BLS）而非 DNNs 作为映射函数来学习用户与物品间复杂的非线性关系，从而在避免上述问题的同时取得令人满意的推荐性能。然而，将原始评分数据直接输入 BLS 并不可行。为此，我们提出一种用户-物品评分协同向量预处理过程，以生成低维的用户-物品输入数据，其能够利用最相似用户/物品的高质量评判。在七个基准数据集上开展的广泛实验证实了所提 BroadCF 算法的有效性。
引用
@article{arxiv.2204.11602,
title = {Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach},
author = {Ling Huang and Can-Rong Guan and Zhen-Wei Huang and Yuefang Gao and Yingjie Kuang and Chang-Dong Wang and C. L. Philip Chen},
journal= {arXiv preprint arXiv:2204.11602},
year = {2024}
}