面向隐式反馈的神经自回归协同过滤
信息检索
2016-09-14 v2
摘要
本文提出了 implicit CF-NADE，一种用于处理隐式反馈（例如点击、观看、浏览行为）协同过滤任务的神经自回归模型。我们首先将用户的隐式反馈转换为一个偏好向量和一个置信度向量，然后对由置信度向量加权的偏好向量的概率进行建模。implicit CF-NADE 的训练目标是最大化加权负对数似然。我们在一个从流行数字电视流媒体服务收集的数据集上测试了 implicit CF-NADE 的性能。更具体地说，在实验中，我们描述了如何将观看次数转换为隐式相对评分，并输入到 implicit CF-NADE 中。然后，我们将 implicit CF-NADE 模型与流行的隐式矩阵分解方法的性能进行了比较。实验结果表明，implicit CF-NADE 显著优于基线方法。
引用
@article{arxiv.1606.07674,
title = {Neural Autoregressive Collaborative Filtering for Implicit Feedback},
author = {Yin Zheng and Cailiang Liu and Bangsheng Tang and Hanning Zhou},
journal= {arXiv preprint arXiv:1606.07674},
year = {2016}
}
备注
5 pages, 2 figures, accepted by DLRS2016 http://dlrs-workshop.org/