使用去噪自编码器为购物篮数据进行协同过滤
机器学习
2017-08-16 v1 机器学习
摘要
推荐系统（RS）帮助用户在大量物品中寻找“感兴趣”的物品。RS 的一种方法是协同过滤（CF），其基于相似用户对相似物品感兴趣这一想法。大多数基于模型的 CF 方法旨在基于稀疏数据训练机器学习/数据挖掘模型；该模型随后用于提供推荐。虽然大多数已提出的方法在规模较小的情况下是有效的，但问题的组合本质使其在中等至大规模实例中不切实际。在这项工作中，我们提出了一种新的 CF 方法，该方法通过在损坏的购物篮上训练去噪自编码器（DAE）来工作，即从中移除了一个或多个物品的购物篮。然后迫使 DAE 学习在给定损坏输入的情况下重建原始购物篮。由于优化和训练神经网络模型（如 DAE）等其他技术的最新进展，所提出的方法成为一种可扩展且实用的 CF 方法。这项工作的贡献有两方面：（1）识别观察到的购物篮中缺失的物品，从而直接提供一个 CF 模型；以及（2）构建一个购物篮的生成模型，例如，该模型可用于仿真分析或作为更复杂分析方法的一部分。
引用
@article{arxiv.1708.04312,
title = {Collaborative Filtering using Denoising Auto-Encoders for Market Basket Data},
author = {Andres G. Abad and Luis I. Reyes-Castro},
journal= {arXiv preprint arXiv:1708.04312},
year = {2017}
}