【推荐算法论文】AutoRec

论文背景

AutoRec - Autoencoders Meet Collaborative Filtering
WWW’15
作者：Suvash Sedhain, Aditya Krishna Menon, Scott Patrick Sanner, Lexing Xie

谷歌学术引用次数580（截至2021年2月4日）

关键词：Recommender Systems; Collaborative Filtering; Autoencoders

INTRODUCTION 引言

本文提出一种新的基于自动编码器范例的CF模型，思路来自于针对视觉和语音任务的深度神经网络模型。
和CF相比，具有表示和计算的优越性。

THE AUTOREC MODEL 模型

每个用户U={1,…,m}可表示为$r^{(i)}=(R_{u1},...,R_{un})\in {\mathbb{R}}^n$。
每个物品I={1,…,n}可表示为$r^{(i)}=(R_{1i},...,R_{mi})\in {\mathbb{R}}^m$，评分矩阵R。
目标：设计一种基于物品（用户）的自动编码器，可以输入部分显式$r_{(i)}$($r_{(u)}$)，将其映射到低维潜在空间，然后在输出空间重建$r_{(i)}$($r_{(u)}$)来预测缺失的评分用于推荐。
自动编码器解决
$$mi{n}_{\theta }\sum _{r\in S}||r-h(r;\theta )|{|}_2^2$$
$h(r;\theta )$是输入r的重构
$$h(r;\theta )=f(W\cdot g(Vr+\mu )+b)$$
f、g是激活函数。 θ = { W , V , μ , b } \theta = \{W, V, μ, b\} θ={W,V,μ,b}
$W\in {\mathbb{R}}^{d\times k}$, $V\in {\mathbb{R}}^{k\times d}$, $\mu \in {\mathbb{R}}^k$, $b\in {\mathbb{R}}^d$
该目标对应于具有单个k维隐藏层的自连接神经网络。使用反向传播来学习参数θ。

基于物品的AutoRec模型I-AutoRec
${r^{(i)}}_{i=1}^n$
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8PugB0Fx-1634386976573)(\images\Paper-AutoRec-Itembased.png)]
两点改变：

1. 每个$r^{(i)}$通过反向传播更新和输入有关的权重得到，这在矩阵分解和RBM策略中常用。
2. 设计了学习参数正则化防止过拟合。

I-AutoRec需要估计2mk + m + k个参数。
对于给定的已学习参数$\theta$，对于用户u和物品i的预测评分为
$${\hat{R}}_{ui}=(h(r^{(i)};\hat{\theta }){)}_u$$

目标函数：
$$mi{n}_{\theta }||r^{(i)}-h(r^{(i)};\theta )|{|}_o^2+\frac{\lambda }{2}\cdot (||W|{|}_F^2+||V|{|}_F^2)$$
$|||{|}_o^2$代表只考虑可观测评分的贡献。

基于用户的AutoRec模型U-AutoRec
${r^{(u)}}_{u=1}^m$

和CF策略的区别：
对比基于RBM的CF模型（RBM-CF）

1. RBM-CF是基于限制玻尔兹曼机的生成概率模型，AutoRec是一个基于自动编码器的判别模型。
2. RBM-CF通过最大化似然log函数估计参数，AutoRec直接最小化RMSE。
3. 训练RBM-CF需要使用对比散度，训练AutoRec需要相对更快的基于梯度的反向传播。
4. RBM-CF只使用于离散评分，并对每个评分估计一个分散的参数集。对r个可能的评分，它使用了基于RBM的nkr或者mkr个参数用于用户（物品）。AutoRec与r无关，因此需要较少的参数。 较少的参数使AutoRec的内存占用量更少，更不容易过度拟合。

对比矩阵分解（MF）
MF学习线性潜在表示，AutoRec可以通过激活函数学习非线性潜在表示。

EXPERIMENTAL EVALUATION 实验评估

基线：RBM-CF, BiasedMF, LLORMA.
数据集：Movielens 1M, 10M 和Nerflix数据集
没有训练数据的测试集默认评分为3。
训练集：测试集=9：1
将训练集10%作为验证集。
重复划分步骤5次并记录平均RMSE。
每次实验95%在RMSE偶然的间隔在±0.003之间。
正则化参数λ∈{0.001, 0.01, 0.1, 1, 100, 1000}
潜在维度k∈{10, 20, 40, 80, 100, 200, 300, 400, 500}

三种实验

1. 和RBM对比
2. 激活函数选取对比
3. 隐藏单元k的数量
   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8U7Lw2Fr-1634386976581)(\images\Paper-AutoRec-k.png)]
4. 基线性能对比
   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Xg9TrHC3-1634386976592)(\images\Paper-AutoRec-baselines.png)]
5. 深度扩展对Auto的帮助

代码

https://github.com/mesuvash/NNRec

总结

AutoRec是最简单的深度学习推荐系统。
它是一种单隐层神经网络推荐模型，将自动编码器与协同过滤相结合。