Collaborative Deep Learning for Recommender Systems

本文思路整理如下：

 

一， Contribution

二， 实验

实际需求

训练数据

实验环境

2.1本文模型

模型训练

模型输出

2.2 实验结果

《Collaborative Deep Learning for Recommender Systems》

目的：采用分层贝叶斯CDL构建模型，将深度学习SDAE和协同过滤结合起来，从而得以更精准推荐。

 

论文信息：香港理工大学王灏博士。

一，Contribution：

1）CDL可抽取content的深度特征，并捕获content或者user的相似度。这种学习方式不仅可以用于推荐，也可以用于别的地方。

2）学习目标不是简单的分类或者reconstruction，本文的目标是通过概率框架用CF做一个更复杂的目标。

3）用了最大后验估计(MAP)，CDL贝叶斯法则的抽样，贝叶斯版本的反向传播。

4）用贝叶斯模型连接DL和RS。

二， 实验：

首先：考虑目前推荐系统算法现状：

l 当前推荐算法主要是基于内容（CB）、协同过滤（CF）、混合算法。基于内容的推荐依靠用户profile和item的描述做推荐；CF基于过去的的表现和行为推荐；混合方法应用比较广。

l 混合方法又分两种：松耦合方式、紧耦合方式。松耦合方式先处理辅助信息，然后，用它为CF提供特征。由于信息的流向是单向的，打分信息无法反馈回来去提取有用的特征。这种方式下，为了提升性能，通常依赖人工提取特征。紧耦合方式，两种方法相互影响，一方面，打分信息指导特征的提取，另一方面，提取出来的特征进一步促进CF的预测能力（例如，稀疏打分矩阵的矩阵因式分解）。两方面的相互影响，使得紧耦合方式可以从辅助信息中自动学习特征，并且能平衡打分信息和辅助信息的影响。这使得紧耦合方法比松耦合方法表现更好。

 

基于上面考虑，本论文讲述了一种多层贝叶斯模型（hierarchical Bayesian model）叫协同深度学习（CDL）。实际上