本文思路整理如下:
实际需求
训练数据
模型训练
模型输出
《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