用于推荐系统的互正则化对偶协同变分自编码器
信息检索
2022-11-22 v1
摘要
近来，面向用户的自编码器（UAEs）被广泛用于推荐系统，以基于用户历史评分学习用户的语义表示。然而，由于 UAE 中未对潜在物品变量建模，在评分稀疏时难以利用广泛可用的物品内容信息。此外，每当新物品到来，我们需等待收集这些物品的评分数据并从头重训 UAE，这在实际中效率低下。为同时解决上述两个问题，我们提出一种用于推荐的互正则化对偶协同变分自编码器（MD-CVAE）。首先，通过将原始 UAE 的随机初始化最后一层权重替换为堆叠的潜在物品嵌入，MD-CVAE 将物品内容与用户评分两种异构信息源整合入同一原则性变分框架，其中 UAE 的权重受物品内容正则化，从而可避免由于数据稀疏收敛至非最优解。此外，该正则化是互式的：用户评分亦可帮助对偶物品内容模块学习更具推荐导向的物品内容嵌入。最后，我们为 MD-CVAE 提出一种对称推断策略，将 UAE 编码器的第一层权重与 UAE 解码器的潜在物品嵌入绑定。通过该策略，推荐新引入物品无需重训。实证研究表明 MD-CVAE 在正常与冷启动场景下均有效。代码见 https://github.com/yaochenzhu/MD-CVAE。
引用
@article{arxiv.2211.11662,
title = {Mutually-Regularized Dual Collaborative Variational Auto-encoder for Recommendation Systems},
author = {Yaochen Zhu and Zhenzhong Chen},
journal= {arXiv preprint arXiv:2211.11662},
year = {2022}
}