【论文阅读】GLocal-K

GLocal-K: Global and Local Kernels for Recommender Systems

关键概念

1.user-item rating matrix

rating matrix是推荐系统和协同过滤中的基础概念。

• Users:系统中提供ratings的个体，矩阵中么一行都是一个user
• Items:代表物品（图书、电影等），矩阵中的每一列代表一个item
• Ratings：是users赋给items的值，可以是显式的（比如一个人给电影打了4颗星），或者是隐式的（用户点击网站，表示感兴趣）

2. RBF(radial-basis-function) kernel

像SVM这样的机器学习算法在应用在非线性数据集时候，很难指出正确的kernel。RBF会解决这方面的问题。

当d12为0的时候，RBF kernel是1，也就是X1=X2
$\sigma$是决定哪些点需要考虑相似度
$$\sigma =1$$
$$K(X_1,X_2)=exp(-\frac{{||X_1-X_2||}^2}{2})$$

可以看到当d12超过4的时候，相似度就为0
同样的
$$\sigma =0.1$$

$$\sigma =10$$


根据SVM的C的值选择$\gamma$可以实现最好的Bias-Variance Trade off.
参考：
https://towardsdatascience.com/radial-basis-function-rbf-kernel-the-go-to-kernel-acf0d22c798a

3.Kernel Trick

与上面不同的是，这里的kernel trick使用的是有限支持的RBF核
https://blog.csdn.net/qq_42725437/article/details/134631246

GLOCAL-K

下面是总体框架：

GLOCAL-K在两个阶段用了两种kernel，预训练阶段使用有限支持内核，使密集连接更密集，稀疏连接更稀疏，并使用rating matrix进行fine tuning。该任务具有m个项目，n个users。

Pre-training with Local Kernel

Fine-tuning with Global Kernel

实验