推荐系统学习笔记-AutoRec算法

由来

AutoRec是在2015年由澳大利亚国立大学提出的，它将自编码器的思想和协同过滤结合，提出了一种单隐层神经网络推荐模型。

模型结构

原理

自编码是指能够自动完成数据编码的模型，无论是图像，音频，还是数据都可以转换成向量的形式，假设输入数据为r

自编码的重建函数为

当输入物品i的评分向量为r(i)时， 模型的输出向量h(r(i);θ)就是所有用户对物品i的评分预测。那么，其中的第w维就是用户u对物品i的预测R即预测函数为

AutoRec的目标是学习一个模型能使得输出尽可能接近输入，选用平方误差作为loss function后目标为

模型的优化目标

其中

后一项为防止过拟合加入的正则项。需要注意的是第一项里在计算loss只在观测到的数据上计算。未观测到的missing value在初始时赋一个默认值，比如1-5分的打分体系里统一给3。

在使用模型做预测时，直接将模型对input重建后的新向量里对应位置的值认为是预测值，即

存在的问题：

在数据很稀疏的情况下用AutoRec去学习的效果会不理想，数据里噪声太大，在CF里存在的困境同样存在。