用于协同过滤的 Wasserstein 自编码器
信息检索
2019-04-09 v3 机器学习
摘要
推荐系统在文献中已被长期研究。近来，用户的隐式反馈如“点击”或“浏览”被认为能够提升推荐性能。因此，已有大量尝试来解决此问题。其中，变分自编码器（VAE）方法已取得了优越的性能。然而，编码潜变量的分布重叠严重，这可能限制其推荐能力。为应对这一挑战，本文尝试将 Wasserstein 自编码器（WAE）扩展用于协同过滤。特别地，通过引入两个额外的损失项重新设计了适配 WAE 的损失函数：（1）潜变量分布与假设的真实分布之间的互信息损失；（2）为限制编码潜变量稀疏而引入的 L1 正则化损失。设计了两种不同的代价函数用于度量隐式反馈数据与其重新生成的数据版本之间的距离。实验在三个广泛采用的数据集上评估，即 ML-20M、Netflix 和 LASTFM。选取了基线方法与最先进（state-of-the-art）方法用于性能比较，包括 Mult-DAE、Mult-VAE、CDAE 和 Slim。所提方法在评价指标 Recall@1、Recall@5 和 NDCG@10 上优于对比方法，这证明了所提方法的有效性。
引用
@article{arxiv.1809.05662,
title = {Wasserstein Autoencoders for Collaborative Filtering},
author = {Jingbin Zhong and Xiaofeng Zhang},
journal= {arXiv preprint arXiv:1809.05662},
year = {2019}
}