协同循环自编码器：在填空学习中推荐
机器学习
2016-11-03 v1 人工智能
计算与语言
计算机视觉与模式识别
机器学习
摘要
混合方法利用内容与评分信息，常用于许多推荐系统。然而，多数方法或使用手工特征或使用词袋表示作为内容信息的替代，但它们既不够有效也不够自然。为解决此问题，我们提出协同循环自编码器(CRAE)，它是一种去噪循环自编码器(DRAE)，在协同过滤(CF)设定下对内容序列的生成建模。该模型将循环深度学习的近期进展从独立同分布(i.i.d.)输入推广到非独立同分布(基于CF)输入，并为循环自编码器提供了一种新的去噪方案以及一种新颖的可学习池化方案。为此，我们首先为DRAE建立分层贝叶斯模型，再将其推广至CF设定。去噪与CF的协同使CRAE能在学习填充序列空白的同时做出准确推荐。在来自不同领域的真实数据集(CiteULike 和 Netflix)上的实验表明，通过对内容信息的序列进行顺序感知生成的联合建模以及对评分执行CF，CRAE在基于评分的推荐任务和基于内容信息的序列生成任务上均能显著优于当前最先进水平。
引用
@article{arxiv.1611.00454,
title = {Collaborative Recurrent Autoencoder: Recommend while Learning to Fill in the Blanks},
author = {Hao Wang and Xingjian Shi and Dit-Yan Yeung},
journal= {arXiv preprint arXiv:1611.00454},
year = {2016}
}
备注
To appear at NIPS 2016