Item2Vec：面向协同过滤的神经物品嵌入
机器学习
2017-02-22 v3 人工智能
信息检索
摘要
许多协同过滤（Collaborative Filtering, CF）算法是基于物品的，即它们通过分析物品-物品关系来产生物品相似度。最近，自然语言处理（Natural Language Processing, NLP）领域的若干工作提出使用神经嵌入算法学习词的潜在表示。其中，带负采样的Skip-gram（Skip-gram with Negative Sampling, SGNS，也称word2vec）被证明在各种语言学任务上提供最先进的(state-of-the-art)结果。本文中，我们展示基于物品的CF可以被纳入神经词嵌入的相同框架。受SGNS启发，我们描述了一种称为item2vec的、用于基于物品的CF的方法，该方法在潜在空间中产生物品的嵌入。该方法即使在用户信息不可用时也能推断物品-物品关系。我们给出了实验结果，证明了item2vec方法的有效性，并表明其与SVD具有竞争力。
引用
@article{arxiv.1603.04259,
title = {Item2Vec: Neural Item Embedding for Collaborative Filtering},
author = {Oren Barkan and Noam Koenigstein},
journal= {arXiv preprint arXiv:1603.04259},
year = {2017}
}