Collaborative Deep Learning for Recommender Systems

论文相关内容

本文中的推荐系统的模型：

协同过滤(CF)是许多推荐系统常用的一种成功方法。传统的基于cf的方法使用用户对项目的评分作为学习推荐的唯一信息来源。然而，在许多应用程序中，评级通常非常稀疏，导致基于cf的方法在推荐性能上显著下降。为了解决这个稀疏性问题，可以使用辅助信息，如项目内容信息。协同主题回归(CTR)是一种很有吸引力的新方法，它将从两个不同信息源学习的两个组件紧密地结合在一起。然而，当辅助信息非常稀疏时，CTR学习的潜在表示可能不是很有效。为了解决这一问题，我们总结了近年来从i.i.d.输入到非i.i.d.深度学习的研究进展。本文提出了一种基于cf的层次贝叶斯模型——协同深度学习(CDL)，该模型对内容信息进行深度表示学习（堆叠去噪自动编码机），对评价矩阵(反馈)进行协同过滤。，它是第一个深度学习和推荐系统结合的层级贝叶斯模型，它属于紧耦合的混合系统。

堆叠去噪自动编码机

堆叠去噪自动编码机的模型表示及其优化目标。

协同深度学习

最终的优化目标。

总结

1、相关背景：当评分矩阵稀疏时，传统的协同过滤算法性能显著下降，故有人提出协同主题回归模型，紧耦合了来源于两种不同的信息源，但辅助信息稀疏时也不是非常有效。
2、问题是什么：如何在评分矩阵稀疏时增强推荐系统的性能。
3、现有的解决方案：作为本文对比算法松耦合的混合系统的协同主题回归模型CTR（对推荐系统不是很了解，还不知道其它解决算法。
4、作者的核心思想、创新点在哪里：本文提出了紧耦合的混合系统，它是一个层级的贝叶斯模型即协同深度学习，它联合了对于内容信息的深度表示学习和对于评分的协同过滤。
5、通过什么样的实验进行验证：3个数据集5个推荐系统算法2个评价度量进行的实验验证了CDL的性能。
6、对我的启发：见贤思齐焉，学会其他模型上长处。