面向推荐系统的保相似二进制码学习
信息检索
2022-04-20 v1 机器学习
摘要
基于哈希的推荐系统（RSs）被广泛研究以提供可扩展服务。现有系统结合三个模块来实现效率：特征提取、交互建模与二值化。本文研究了一种用于基于哈希的推荐系统尚未被探索的模块组合，即紧凑交叉相似度推荐器（CCSR）。受跨模态检索启发，CCSR 利用最大后验相似度而非矩阵分解与评分重建来建模用户与物品间的交互。我们在 MovieLens1M、Amazon 产品评论、Ichiba 购买数据集上进行了实验，并确认 CCSR 优于现有的基于矩阵分解的方法。在 Movielens1M 数据集上，NDCG 与 Recall 的绝对性能提升分别高达 15.69% 与 4.29%。此外，我们广泛研究了三种二值化模块：、缩放 tanh 与 sign-缩放 tanh。结果表明，尽管可微的缩放 tanh 在近年的离散特征学习文献中流行，但当缩放 的输出被强制为二进制时会出现巨大的性能下降。
引用
@article{arxiv.2204.08569,
title = {Learning Similarity Preserving Binary Codes for Recommender Systems},
author = {Yang Shi and Young-joo Chung},
journal= {arXiv preprint arXiv:2204.08569},
year = {2022}
}