基于倒排多索引的快速变分自编码器协同过滤方法
机器学习
2022-05-31 v2 信息检索
摘要
变分自编码器（VAE）已被扩展为协同过滤中具有代表性的非线性方法。然而，VAE 的瓶颈在于对所有物品上的 softmax 计算，这使得计算用于优化的损失和梯度在物品数量上呈线性代价。由于真实场景中存在数百万物品，这阻碍了其实用性。重要性采样是一种有效的近似方法，基于此已推导出采样 softmax。然而，现有方法通常利用均匀或流行度采样器作为提议分布，导致梯度估计偏差较大。为此，我们提出基于倒排多索引分解基于内积的 softmax 概率，从而实现亚线性时间且高精度的采样。基于所提出的提议分布，我们开发了用于协同过滤的快速变分自编码器（FastVAE）。根据在三个真实世界数据集上的实验，FastVAE 在采样质量和效率方面均优于最先进的基线方法。
引用
@article{arxiv.2109.05773,
title = {Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative Filtering},
author = {Jin Chen and Defu Lian and Binbin Jin and Xu Huang and Kai Zheng and Enhong Chen},
journal= {arXiv preprint arXiv:2109.05773},
year = {2022}
}
备注
11 pages, WWW 2022