用于隐式反馈推荐的联合变分自编码器
机器学习
2020-08-19 v1 信息检索
机器学习
摘要
变分自编码器（VAEs）近期在基于隐式反馈的协同过滤中展现出有前景的性能。这些现有的推荐模型学习用户表示以重建或预测用户偏好。我们提出联合变分自编码器（JoVA），一种由两个 VAE 组成的集成，其中 VAE 联合学习用户和物品表示并共同重建和预测用户偏好。该设计使 JoVA 能同时捕获用户-用户和物品-物品相关性。通过使用基于边界的成对损失函数（JoVA-Hinge）扩展 JoVA 的目标函数，我们进一步将其专门化用于基于隐式反馈的 top-k 推荐。我们在多个真实世界数据集上的大量实验表明，JoVA-Hinge 在各种常用指标下优于广泛的一组最先进协同过滤方法。我们的实证结果也证实了 JoVA-Hinge 在训练数据有限的冷启动用户上优于现有方法。
引用
@article{arxiv.2008.07577,
title = {Joint Variational Autoencoders for Recommendation with Implicit Feedback},
author = {Bahare Askari and Jaroslaw Szlichta and Amirali Salehi-Abari},
journal= {arXiv preprint arXiv:2008.07577},
year = {2020}
}