低秩近似与神经网络在协同过滤中有效性的比较
信息检索
2019-05-31 v1
摘要
即便在深度学习时代，通过将矩阵分解为用户与物品隐因子实现的低秩近似，因其优异性能仍是协同过滤任务的首选方法。基于深度学习的方法在可利用物品、用户甚至上下文额外特征的混合推荐任务中表现出色，但在不使用额外特征的纯协同过滤任务中，其灵活性似乎反而损害性能，不及低秩近似。近期工作提出结合低秩近似与传统深度神经架构的混合模型并取得 promising 结果，却未能解释为何仅靠神经网络不适合该任务。本文中，我们重访低秩近似背后的模型与直觉，以指出其对协同过滤任务的适用性。在若干实验中，我们比较基于深度神经网络与低秩近似的模型的性能与行为，以考察传统深度神经网络低效的原因。我们得出结论：传统深度神经网络的通用逼近能力严重妨碍合适隐向量的确定，导致性能逊于低秩近似。
引用
@article{arxiv.1905.12967,
title = {On the Effectiveness of Low-rank Approximations for Collaborative Filtering compared to Neural Networks},
author = {Marcel Kurovski and Florian Wilhelm},
journal= {arXiv preprint arXiv:1905.12967},
year = {2019}
}
备注
5 pages, 3 figures, 2 tables, submitted as Short Paper to the 13th ACM Conference on Recommender Systems (RecSys'19), source code available at https://github.com/FlorianWilhelm/lrann