面向推荐系统的探索-利用驱动变分自编码器
机器学习
2021-06-14 v4 机器学习
摘要
近年来，由于公司帮助用户发现新的相关项目的需求不断增长，用于提升推荐系统性能的协同过滤技术快速发展。然而，现有文献大多聚焦于投递与从用户历史偏好学到的用户模型相匹配的项目。一个好的推荐模型应既推荐已知喜好的项目，也推荐新颖尝试的项目。在这项工作中，我们向协同过滤引入一种探索-利用驱动的变分自编码器（XploVAE）。为促进个性化推荐，我们构建用户特定子图，其包含用于利用的捕捉已观测用户-项目交互的一阶邻近性，以及用于探索的高阶邻近性。利用层次潜空间模型来学习给定用户的个性化项目嵌入，以及所有用户子图的群体分布。最后，在多个真实世界数据集上的实验结果清晰展示了我们所提模型在利用与探索推荐任务上的有效性。
引用
@article{arxiv.2006.03573,
title = {Exploration-Exploitation Motivated Variational Auto-Encoder for Recommender Systems},
author = {Yizi Zhang and Meimei Liu},
journal= {arXiv preprint arXiv:2006.03573},
year = {2021}
}
备注
9 pages, 6 figures