批判性审视卷积在用户-物品嵌入图上对推荐系统声称的价值
信息检索
2020-08-07 v2 机器学习
神经与进化计算
摘要
近年来，推荐系统领域的算法研究已从矩阵分解技术及其潜因子模型转向神经方法。然而，鉴于潜因子模型已被证实的能力，一些较新的神经方法将其纳入更复杂的网络架构中。一个由若干研究者近期提出的具体想法是，通过对用户-物品交互图应用卷积来考虑潜因子（即嵌入）之间的潜在关联。然而，与这些文章中的声称相反，此类交互图并不具备卷积神经网络（CNNs）特别适用的图像性质。在本工作中，我们通过分析考量与经验评估表明，文献中报道的声称增益不能归因于 CNNs 建模嵌入关联的能力，正如原论文所论证的那样。此外，额外的性能评估显示，所有被考察的近期基于 CNN 的模型都被现有的非神经机器学习技术或传统最近邻方法所超越。在更普遍的层面上，我们的工作指出了推荐系统研究中的重大方法学问题。
引用
@article{arxiv.2007.11893,
title = {Critically Examining the Claimed Value of Convolutions over User-Item Embedding Maps for Recommender Systems},
author = {Maurizio Ferrari Dacrema and Federico Parroni and Paolo Cremonesi and Dietmar Jannach},
journal= {arXiv preprint arXiv:2007.11893},
year = {2020}
}
备注
Source code available here: https://github.com/MaurizioFD/RecSys2019_DeepLearning_Evaluation