基于变分自编码器与异构先验的物品推荐
机器学习
2018-10-09 v2 信息检索
机器学习
摘要
近年来，变分自编码器（VAEs）已被证明在标准协同过滤应用及诸如隐式反馈融合等扩展中极为有效。我们将 VAEs 扩展到带有侧信息的协同过滤，例如当评分与来自用户的显式文本反馈相结合时。我们不使用与用户无关的标准高斯先验，而是在潜在 VAE 空间中引入依赖于用户的先验，以将用户偏好编码为评论文本的函数。在该多模态潜在空间中同时考虑评分与文本信息来表示用户，有望提升推荐质量。我们提出的模型在协同过滤上优于现有 VAE 模型（排序指标相对提升高达 29.41%）以及其他融合了用户评分与文本的物品推荐基线方法。
引用
@article{arxiv.1807.06651,
title = {Item Recommendation with Variational Autoencoders and Heterogenous Priors},
author = {Giannis Karamanolakis and Kevin Raji Cherian and Ananth Ravi Narayan and Jie Yuan and Da Tang and Tony Jebara},
journal= {arXiv preprint arXiv:1807.06651},
year = {2018}
}
备注
Accepted for the 3rd Workshop on Deep Learning for Recommender Systems (DLRS 2018), held in conjunction with the 12th ACM Conference on Recommender Systems (RecSys 2018) in Vancouver, Canada