用于用户概率表示的变分协同学习
机器学习
2018-09-25 v1 机器学习
摘要
协同过滤（CF）已被许多现代推荐系统成功采用。传统的基于CF的方法仅利用用户-物品交互数据作为向用户推荐物品的唯一信息源。然而，基于CF的方法以冷启动问题与数据稀疏问题而著称。在交互数据之上利用辅助信息的混合模型日益受到关注。近期提出了一些基于“协同学习”的模型，通过互正则化紧密桥接两个异构学习器，用于混合推荐。然而，现有方法中的“协作”由于两个学习器的交替优化实际上是异步的。利用变分自编码器（VAE）的近期进展，我们在此提出一个由两路相互关联的VAE组成的模型，称为变分协同模型（VCM）。与先前工作中两个学习器异步优化的互正则化不同，VCM实现了同步协同学习机制。此外，两路VAE设置使VCM能在协同学习中充分利用贝叶斯概率表示。在三个真实数据集上的大量实验表明，VCM优于几种最先进（state-of-the-art）方法。
引用
@article{arxiv.1809.08400,
title = {Variational Collaborative Learning for User Probabilistic Representation},
author = {Kenan Cui and Xu Chen and Jiangchao Yao and Ya Zhang},
journal= {arXiv preprint arXiv:1809.08400},
year = {2018}
}
备注
8 pages, 4 figures