学习自编码推荐系统的结构

自编码器推荐系统最近在推荐任务中展示了最先进的性能，因为它们能够有效建模非线性物品关系。然而，现有的自编码器推荐系统使用全连接神经网络层且不采用结构学习。这可能导致训练效率低下，尤其在协同过滤中常见的稀疏数据情况下。上述情况导致泛化能力降低和性能下降。在本文中，我们利用协同过滤领域中固有的物品组来为自编码器推荐系统引入结构学习。由于一般物品的性质，我们知道某些物品彼此之间比其他物品更相关。基于此，我们提出一种方法，首先学习相关物品组，然后利用该信息确定自编码神经网络的连接结构。这产生了一个稀疏连接的网络。该稀疏结构可视为引导网络训练的先验。我们通过实验证明，所提出的结构学习使自编码器收敛到具有比全连接网络小得多的谱范数和泛化误差界的局部最优。所得稀疏网络在多个基准数据集上显著优于 \textsc{Mult-vae/Mult-dae} 等最先进方法，即使在使用相同数量的参数和 flops 时也是如此。它还具有更好的冷启动性能。