【推荐算法论文阅读】Collaborative Filtering with Stacked Denoising AutoEncoders and Sparse Inputs

最新推荐文章于 2022-03-03 21:12:05 发布
最新推荐文章于 2022-03-03 21:12:05 发布
阅读量570 收藏
点赞数
分类专栏： 推荐算法 文章标签： 推荐算法 算法 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36643449/article/details/122269940
版权

一、亮点

  1. 使用自编码器利用sparse rating matrix重建dense rating matrix；
  2. 使用降噪自编码器，通过引入高斯噪声/masking noise/椒盐噪声来提高鲁棒性；
  3. 巧妙地通过损失函数的设计来平衡去噪和重构的损失

二、损失函数

损失函数设计如下：
请添加图片描述
它基于两个主要的超参数 α、β，平衡了网络是专注于去噪输入还是重建输入。

CC‘s World
关注
专栏目录
论文笔记：Neural Collaborative Filtering
qq_35771020的博客
05-06 3188
一、基本信息 论文题目：《Neural Collaborative Filtering》 发表时间：WWW 2017 作者及单位： 二、摘要 In recent years, deep neural networks have yielded immense success on speech recognition, computer vision and natural l...
【推荐算法论文阅读】Neural Graph Collaborative Filtering
qq_36643449的博客
03-17 2023
一、背景 协同过滤学习模型从项目的丰富侧面信息中学习的深层表示来扩展MF嵌入功能；神经协同过滤模型则用非线性神经网络取代内积的MF交互函数。 以上的方法都是有效的，但是却无法为CF提供合适的嵌入，这是因为缺少一个协同信号（它潜伏在用户与项目之间的交互中，以揭示用户(或项目)之间的行为相似性。）更具体的是，现有的大多数方法只使用描述性的特性(例如id和属性)构建嵌入功能，而不考虑用户-项目的交互，这些功能只用于定义模型训练的目标函数。因此必须依赖交互功能弥补次优嵌入的不足。虽然直接地使用交互功能能弥补次优嵌入
论文阅读：Neural Graph Collaborative Filtering
qq_43431934的博客
03-03 535
论文阅读：Neural Graph Collaborative Filtering 论文链接：Neural Graph Collaborative Filtering, SIGIR’19 原理： 在user-item interaction graph 上使用 GNN 来学习 user 向量和item 向量，用户向量和项向量的内积来预测评分。 区别： 大部分论文使用 GNN 只是学习 user 向量，这篇论文的 item 向量也是使用GNN学习的 大部分论文是在知识图谱KG或者社交网络Socia
论文笔记（Neural Graph Collaborative Filtering）
CICI❤️的博客
08-19 7365
神经图协同过滤 论文链接：Neural Graph Collaborative Filtering, SIGIR’19 原理：在 user-item interaction graph 上使用 GNN 来学习 user 向量和item 向量 区别： 大部分论文使用 GNN 只是学习 user 向量，这篇论文的 item 向量也是使用GNN学习的 大部分论文是在知识图谱KG或者社交网络Social...
【论文】Neural Graph Collaborative Filtering 论文解读
elephant_my的博客
11-06 2290
这里写目录标题1. 前言2. 背景和动机 1. 前言 文献的题目： Neural Graph Collaborative Filtering（神经图协同过滤） 来源： SIGIR 2019 作者： 中国科学技术大学北京研究院(北京中科研究院)_何向南教授 这是何向南教授团队在SIGIR2019发表的一篇文章，据说是首次提出图协同过滤的概念。为了解决传统的方法主要通过user或item的pre-existing fetures的映射得到user和item的embedding，而缺乏了user和it
Neural Collaborative Filtering【论文记录】
Novelin的博客
12-03 247
把用户和物品的 Embedding 视为隐向量 输入到神经网络 GMF 是线性模型和 MLP 非线性模型结合
Deep Collaborative Filtering via Marginalized Denoising
12-10
深度学习技术在协同过滤推荐中的应用，非常好的算法！
Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering.pdf
08-03
"Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering"这篇论文提出了一种新的基于稀疏3-D变换域的协同滤波图像降噪策略。该方法的核心思想是通过增强图像在变换域中的稀疏表示来有效地去除...
论文笔记：TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust
qq_35771020的博客
03-12 3714
一、基本信息 论文题目：《TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings》 发表时间：AAAI 2015 论文作者及单位： 论文地址：https://aaai.org/ocs/index.php/AAAI/A...
论文笔记：Variational Autoencoders for Collaborative Filtering
qq_35771020的博客
05-13 3844
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...
《Neural Collaborative Filtering》论文阅读笔记
Transfer
08-11 913
本文的创新在于，使用神经网络框架来代替MF中的内积，将MF和MLP的线性以及非线性特点相结合，使用预训练参数来初始化模型，进一步提升模型性能。本文思路清晰，逻辑严谨，细节说明很到位，实验对比完整且比较有说服力，很值得学习。因此我将笔记整理出来分享一下，如果有不对的地方，多多包涵，尽请批评指出。 目录摘要引言本文的贡献矩阵分解的限制神经协同过滤框架NCF优化方法通用矩阵分解多层感知机(MLP)通用矩阵分解和多层感知机的融合（NeuMF）预训练实验数据评价指标对比算法实验设置实验结果原论文开源代码地址结果复现
论文笔记：Collaborative Denoising Auto-Encoders for Top-N Recommender Systems
qq_35771020的博客
04-30 4085
一、基本信息 论文题目：《Collaborative Denoising Auto-Encoders for Top-N Recommender Systems》 发表时间：WSDM 2016 作者及单位： 论文地址：https://dl.acm.org/citation.cfm?id=2835837 二、摘要 大多数现实世界中的推荐服务都是根据向最终用户显示的前n个结果来衡...
堆叠降噪自动编码器 Stacked Denoising Auto Encoder（SDAE）
热门推荐
zbzcDZF的博客
01-21 2万+
自动编码器（Auto-Encoder，AE） 自编码器（autoencoder）是神经网络的一种，经过训练后能尝试将输入复制到输出。自编码器内部有一个隐藏层 h，可以产生编码（code）表示输入。该网络可以看作由两部分组成：一个由函数 h = f(x) 表示的编码器和一个生成重构的解码器 r = g(h)。我们不应该将自编码器设计成输入到输出完全相等。这通常需要向自编码器强加一些约束，使它只能近...
论文读书笔记-collaborativefiltering with temporal dynamics
无知的我
10-10 3351
简介：这篇论文介绍了在时间动态性下的协同过滤算法。考虑一个顾客买商品的例子，随着顾客不断选择新的商品，顾客的行为模型会发生持续不断的改变。为了应对这种改变，通常的做法是使用时间窗口(一段时间内认为不变)或者不断衰减（越旧的信息权重越小）方法，但是这些方法都丢失了大量的数据实例，准确性很差，而这篇文章在协同过滤的基础上做了改进，提出了基于协同过滤的时间动态性算法。 下面是本文的一些要点：
【翻译】Neural Collaborative Filtering--神经协同过滤
weixin_30505225的博客
04-22 2018
【说明】 　　本文翻译自新加坡国立大学何向南博士 et al.发布在《World Wide Web》（2017）上的一篇论文《Neural Collaborative Filtering》。本人英语水平一般+学术知识匮乏+语文水平拙劣，翻译权当进一步理解论文和提高专业英语水平，translate不到key point还请见谅。 何博士的主页：http://www.comp.nus.edu.sg...
推荐系统中基于深度学习的混合协同过滤模型
imgxr的博客
01-24 3980
近些年，深度学习在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。相对来说，深度学习在推荐系统领域的研究与应用还处于早期阶段。携程在深度学习与推荐系统结合的领域也进行了相关的研究与应用，并在国际人工智能顶级会议AAAI 2017上发表了相应的研究成果《A Hybrid Collaborative Filtering Model with Deep Structure for Rec...
【推荐系统论文精读系列】(五)--Neural Collaborative Filtering
CSDN 精品推荐
11-14 1520
文章目录Neural Collaborative Filtering一、摘要二、介绍三、准备知识3.1 从隐式数据中进行学习3.2 矩阵分解四、神经协同过滤4.1 总体框架4.1.1 学习NCF4.2 广义矩阵分解（GMF）4.3 多层感知机（MLP）4.4 GMF与MLP的融合4.4.1 预训练REFERENCES Neural Collaborative Filtering 一、摘要 近年来，深度神经网络在语音识别、计算机视觉和自然语言处理方面取得了巨大的成功。然而，深度神经网络在推荐系统上的探索相对较
31种特征交叉模型（按时间顺序整理）
weixin_39586997的博客
06-29 2360
1.FM模型； 2.FM融合； 3.FM实时；
Neutral Graph Collaborative Filtering——论文提炼
XXMRXXX的博客
10-02 1831
目录AbstractKEYWORDS1 INTRODUCTION2 METHODOLOGY2.1 EmbeddingLayer Abstract 1.对user和item的向量表示（如embedding）是现代推荐系统的核心。 2.从矩阵分解到最近出现的基于深度学习的方法，现在的工作通常是通过描述user(item)的现有特征映射来获得embedding，缺点是：user-item中潜在的交互c...
协同过滤算法(collaborative filtering) 是比较经典常用的推荐算法,从1992年一直
最新发布
09-15
协同过滤算法是一种经典常用的推荐算法，自1992年以来一直被广泛应用。它基于用户行为数据和相似性度量，通过分析用户的历史行为和喜好，利用其他用户的行为和喜好为目标用户提供个性化的推荐。 该算法的核心思想是...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值