通过同伴协作增强 Top-N 物品推荐

深度神经网络（DNN）在推荐系统（RS）领域已取得巨大成功。然而，为获得卓越性能，基于 DNN 的推荐模型常需大量参数，这不可避免地带来冗余的神经元与权重，即所谓过参数化现象。本文计划利用此类冗余现象提升 RS 性能。具体而言，我们提出 PCRec，一种 Top-N 物品推荐框架，其利用两个具有相同网络结构的基于 DNN 的推荐模型进行协作训练，称为同伴协作。PCRec 能在训练中重新激活并强化不重要的（冗余的）权重，从而在保持原有推理效率的同时实现更高的预测精度。为此，我们首先引入两个准则以识别给定推荐模型权重的重要性。然后，我们通过从同伴网络移植外部信息（即权重）来复兴不重要的权重。经过此操作与重训练，原推荐模型因拥有更多功能性模型参数而具备更强的表示能力。为展示其通用性，我们使用三种知名推荐模型实例化 PCRec。我们在三个真实世界数据集上进行了广泛实验，表明 PCRec 以相同模型（参数）规模显著优于其对应模型。