基于自编码的一类协同过滤的噪声对比估计
信息检索
2020-08-07 v2
摘要
一类协同过滤（OC-CF）是一类常见的推荐问题，其中仅显式观测到正类（如购买、点击）。基于自编码器的推荐模型如 AutoRec 及其变体在许多 OC-CF 基准上表现出强劲性能，但在经验上也深受严重的流行度偏差之苦。虽然在 OC-CF 设定中小心选择负样本可缓解流行度偏差，但负采样（NS）通常更利于训练嵌入而非最终任务本身。为此，我们提出一种双头 AutoRec：先通过一个头使用负采样训练嵌入层，再通过第二个头训练最终任务。尽管该 NS-AutoRec 改进了 AutoRec 的结果并在 OC-CF 问题上优于许多最先进基线，我们注意到负采样训练仍可能耗费大量时间。由于负采样已知是噪声对比估计（NCE）的特例，我们将一种近期提出的面向协同过滤的闭式 NCE 解适配到 AutoRec，得到 NCE-AutoRec。总体而言，我们表明新颖的双头 AutoRec 模型（NCE-AutoRec 与 NS-AutoRec）成功缓解了流行度偏差问题，并在多个真实数据集上与最先进推荐模型相比保持有竞争力的性能。
引用
@article{arxiv.2008.01246,
title = {Noise Contrastive Estimation for Autoencoding-based One-Class Collaborative Filtering},
author = {Jin Peng Zhou and Ga Wu and Zheda Mai and Scott Sanner},
journal= {arXiv preprint arXiv:2008.01246},
year = {2020}
}
备注
10 pages, 7 figures