一、基本信息
论文题目:《Variational Autoencoders for Collaborative Filtering》
发表时间:WWW2018
作者及单位:
二、摘要
我们将变分自编码扩展到隐式反馈的协同过滤。这种非线性概率模型使我们能够超越线性因素模型的有限建模能力,而线性因素模型在很大程度上仍然主导着协同过滤研究。引入一个具有多项式似然性的生成模型,并利用贝叶斯推理进行参数估计。尽管在语言建模和经济学中得到了广泛的应用,但在推荐系统文献中,多项式的可能性却很少受到关注。我们为学习目标引入了一个不同的正则化参数,这对实现竞争绩效至关重要。值得注意的是,有一种有效的方法来调整参数使用退火。所得到的模型和学习算法与最大熵鉴别和信息瓶颈原理具有信息理论联系。从经验上讲,我们表明,该方法明显优于几个最先进的基线,包括两个最近提出的神经网络方法,在几个现实世界的数据集。我们还提供了将多项式似然性与文献中其他在潜在因子协同过滤中使用常用似然性函数进行比较的扩展实验,并给出了良好的结果。最后,我们确定了使用原则性贝叶斯推理方法的优缺点,并描述了它提供最显著改进的设置。
三、主要内容与工作
1、过去推荐系统领域的研究主要集中在线性模型上,为了引入非线性特征,我们提出了一个具有多项条件似然性的神经生成模型。尽管在语言建模和经济学中得到了广泛的应用,但在协同过滤文献中,尤其是在潜在因素模型的背景下,对多项相似性的研究似乎较少。
2、推荐系统通常使用基于排名的度量进行评估