基于协同过滤推荐系统的深度变分模型

深度学习为改进推荐系统结果提供了准确的协同过滤模型。深度矩阵分解及其相关的协同神经网络是该领域的最先进技术；然而，这两种模型都缺乏变分自编码器所表现出的创建鲁棒、连续且结构化隐空间所需的随机性。另一方面，由于推荐系统的高稀疏性，通过变分自编码器进行数据增强在协同过滤领域无法提供准确结果。我们提出的模型将变分概念应用于深度架构的隐空间中以注入随机性，从而将变分技术引入神经协同过滤领域。该方法不依赖于用于生成隐表示的特定模型。因此，这种方法是可作为插件应用于任何当前和未来的特定模型。所提出的模型已使用四个具有代表性的开放数据集、三种不同的质量度量以及最先进的基线进行了测试。结果表明，在变分增强超过所注入噪声影响的场景中，所提出的方法具有优越性。此外，还提供了一个框架以实现所进行实验的可复现性。