用于推荐系统的深度自编码器：参数影响分析
信息检索
2019-01-03 v1 机器学习
机器学习
摘要
推荐系统近期吸引了深度学习社区的众多研究者。推荐系统中使用的 SOTA 深度神经网络模型通常是多层感知机和深度自编码器（Deep Autoencoder, DAE），其中 DAE 由于其卓越的输入重构能力通常表现出更好的性能。然而，我们发现在相似数据集上具有相似实现的现有 DAE 推荐系统，却导致了截然不同的参数设置。在这项工作中，我们构建了一个灵活的 DAE 模型，名为 FlexEncoder，它使用可配置参数和独特特征来分析参数对推荐系统预测精度的影响。这将帮助我们识别给定数据集下的最佳性能参数。我们在 MovieLens 数据集上进行了广泛评估，从而得出关于 DAE 参数影响的结论。具体而言，我们发现 DAE 参数强烈影响推荐系统的预测精度，并且这种影响可迁移到更大规模的相似数据集上。我们公开了我们的代码，这既能使 DAE 的新用户受益——他们可以快速了解 DAE 如何在推荐系统上工作，也能使有经验的 DAE 用户受益——他们更容易在不同的数据集上调整参数。
引用
@article{arxiv.1901.00415,
title = {Deep Autoencoder for Recommender Systems: Parameter Influence Analysis},
author = {Dai Hoang Tran and Zawar Hussain and Wei Emma Zhang and Nguyen Lu Dang Khoa and Nguyen H. Tran and Quan Z. Sheng},
journal= {arXiv preprint arXiv:1901.00415},
year = {2019}
}
备注
11 pages, ACIS 2018,