利用用户与物品嵌入交叉反馈及注意力机制的变分自编码器协同过滤
机器学习
2022-08-23 v3 机器学习
摘要
矩阵分解(MF)已广泛应用于推荐系统中的协同过滤。其贝叶斯变体可推导用户与物品嵌入的后验分布，并对稀疏评分更具鲁棒性。然而，由于先验与似然的共轭性，贝叶斯方法受其后续参数更新规则的限制。变分自编码器(VAE)可通过捕捉后验参数与数据间的复杂映射来解决此问题。然而，当前关于协同过滤 VAE 的研究仅考虑了基于显式数据信息的映射，而忽略了隐式嵌入信息。本文中，我们首先从用户导向与物品导向两个视角推导贝叶斯 MF 模型的证据下界(ELBO)。基于这些 ELBO，我们提出一种基于 VAE 的贝叶斯 MF 框架。它不仅利用数据，还利用嵌入信息来近似用户–物品联合分布。正如 ELBO 所提示，该近似是迭代式的，将用户与物品嵌入交叉反馈至彼此的编码器中。更具体地，前一次迭代中采样的用户嵌入被送入物品侧编码器以估计当前迭代中物品嵌入的后验参数，反之亦然。该估计还对交叉馈入的嵌入施加注意力以进一步挖掘有用信息。解码器随后通过对当前重新采样的用户与物品嵌入进行矩阵分解来重建数据。
引用
@article{arxiv.2002.09145,
title = {Leveraging Cross Feedback of User and Item Embeddings with Attention for Variational Autoencoder based Collaborative Filtering},
author = {Yuan Jin and He Zhao and Ming Liu and Ye Zhu and Lan Du and Longxiang Gao and He Zhang and Yunfeng Li},
journal= {arXiv preprint arXiv:2002.09145},
year = {2022}
}