可扩展神经矩阵补全

矩阵补全是信号处理与机器学习中的关键问题之一，应用涵盖图像处理、数据收集、分类与推荐系统。近来，深度神经网络被提出作为矩阵补全的隐因子模型，并取得了最先进的性能。然而，现有基于神经网络的模型的一个主要问题在于其扩展到训练阶段不可用样本的能力有限。本文提出一种用于矩阵补全的深度双分支神经网络模型。所提模型不仅继承了神经网络的预测能力，且能够扩展到训练集之外的部分观测样本，无需重训练或微调。在流行电影评分数据集上的实验研究证明了我们的模型在精度与可扩展性上相较最先进方法的有效性。