混合推荐系统中的神经表示：预测与正则化
信息检索
2021-08-17 v1 机器学习
摘要
基于自编码器的混合推荐系统近来颇受欢迎，因为它们能够通过重建多种信息源来学习用户与物品的表示，这些信息源包括用户对物品的反馈（如评分）以及用户与物品的边信息（如用户职业与物品标题）。然而，现有系统仍使用矩阵分解（MF）学到的表示来预测评分，而将神经网络学到的表示用作正则化项。本文中，我们定义了用于预测的神经表示（NRP）框架并将其应用于基于自编码器的推荐系统。我们从理论上分析了目标函数与先前 MF 及基于自编码器方法的关系，并解释了将神经表示用作正则化项意味着什么。我们还将 NRP 框架应用于一种直接神经网络结构，该结构无需重建用户与物品信息即可预测评分。我们在两个 MovieLens 数据集和两个真实电商数据集上进行了大量实验。结果证实神经表示用于预测优于用于正则化，并表明 NRP 框架与直接神经网络结构相结合，在预测任务中以更短训练时间与更少内存优于最先进（SOTA）方法。
引用
@article{arxiv.2010.06070,
title = {Neural Representations in Hybrid Recommender Systems: Prediction versus Regularization},
author = {Ramin Raziperchikolaei and Tianyu Li and Young-joo Chung},
journal= {arXiv preprint arXiv:2010.06070},
year = {2021}
}