局部协同自编码器
信息检索
2021-03-31 v1 机器学习
摘要
Top-N推荐是一项具有挑战性的问题，因为复杂且稀疏的用户-物品交互需被充分处理以达成高质量推荐结果。局部潜在因子方法已成功利用多个局部模型捕捉不同子社群的多样用户偏好。然而，以往研究未充分挖掘局部模型潜力，且未能识别许多小而内聚的子社群。本文提出局部协同自编码器（LOCA），一种广义局部潜在因子框架。具体而言，LOCA在训练与推断阶段采用不同邻域范围。此外，LOCA使用一种新颖的子社群发现方法，最大化局部模型并集的覆盖率并采用大量多样化局部模型。通过采用自编码器作为基模型，LOCA捕捉表示子社群内有意义用户-物品交互的潜在非线性模式。实验结果表明，LOCA具有可扩展性，并在多个公开基准上以Recall提升2.99~4.70%、NDCG提升1.02~7.95%优于最先进模型。
引用
@article{arxiv.2103.16103,
title = {Local Collaborative Autoencoders},
author = {Minjin Choi and Yoonki Jeong and Joonseok Lee and Jongwuk Lee},
journal= {arXiv preprint arXiv:2103.16103},
year = {2021}
}
备注
In Proceedings of the Fourteenth ACM Inter-national Conference on Web Search and Data Mining. 9 pages