面向高维稀疏用户行为数据预测的多度量 AutoRec
信息检索
2022-12-29 v1 机器学习
数值分析
数值分析
摘要
在大数据时代，与海量物品交互过程中产生的用户行为数据通常异构且稀疏，使推荐系统（RS）面临大量待挖掘的潜在模式。基于深度神经网络的模型凭借其拟合能力已达到 RS 的当前最优基准。然而，先前工作主要聚焦于设计带有固定损失函数与正则化的复杂架构。这些单度量模型在面对异构且稀疏的用户行为数据时性能有限。受此发现启发，我们基于代表性的 AutoRec 提出多度量 AutoRec（MMA）。所提 MMA 的思想主要为两方面：1) 在损失函数与正则化上应用不同的 -范数，以在不同度量空间中形成不同变体模型；2) 聚合这些变体模型。因此，所提 MMA 享有来自一组分散度量空间的多度量导向，实现对用户数据的全面表示。理论研究表明所提 MMA 可获得性能提升。在五个真实世界数据集上的广泛实验证明，MMA 在预测未观测用户行为数据方面优于其他七个当前最优模型。
引用
@article{arxiv.2212.13879,
title = {Multi-Metric AutoRec for High Dimensional and Sparse User Behavior Data Prediction},
author = {Cheng Liang and Teng Huang and Yi He and Song Deng and Di Wu and Xin Luo},
journal= {arXiv preprint arXiv:2212.13879},
year = {2022}
}
备注
6 pages, 4 Tables