1,论文相关信息
Paper:Representation learning via Dual-Autoencoder for recommendation
Journal:Neural Networks
Year:2017
2,研究动机
深度学习在图片和文本领域的隐特征表示方面已经取得了很大的成功,之前一般通过直接的矩阵分解来获得用户和商品的隐特征表示,以及过多的关注如社交关系和位置等辅助信息,可能没有充分利用用户商品评分矩阵信息,本文为了充分利用用户商品评分矩阵信息以及学习较好的隐特征表示,提出了一种新的表示学习框架ReDa。
3,研究方法
- 通过自编码器同时学习用户和商品的隐特征表示,利用学习到的隐特征表示来最小化训练数据的误差。
- 学习商品隐特征表示:把商品作为输入序列,把用户作为商品的特征,通过编码与解码操作得到商品的隐特征表示。
- 学习用户隐特征表示:把用户作为输入序列,把商品作为用户的特征,通过编码与解码操作得到用户的隐特征表示。
最终目标函数:
模型图例:
4,数据集
公开:MovieLens 100和 MovieLens 1M
非公开:Douban Book 和 Douban Movie