推荐系统最重要的就是解决高维稀疏的user-item矩阵推荐问题,基于百万用户感兴趣的item给一个用户推荐他最感兴趣的item是相当有挑战的事.这篇论文<GLocal-K: Global and Local Kernels for Recommender Systems>就提出了一个新的框架Global Local Kernel-based matrix completion(GLocal-K)去解决高维系数的user-item矩阵补全问题.
![7b68439fdc8028343fccae5521025ffd.png](https://img-blog.csdnimg.cn/img_convert/7b68439fdc8028343fccae5521025ffd.png)
GLocal-K可分为两个主要阶段。首先,我们使用局部核化权重矩阵预训练一个自动编码器,它使用2d RBF核将数据从一个空间转换为特征空间。然后预训练的自动编码器通过基于卷积的global kernel对rating矩阵进行fine-tune.
![45e317e2befc694b96e5063b73ee4625.png](https://img-blog.csdnimg.cn/img_convert/45e317e2befc694b96e5063b73ee4625.png)
如下图所示,两个阶段分别用了两种kernel
- 预训练阶段 - local kernelised weight matrix
- fine-tuning阶段 - global-kernel based matrix
需