《AutoRec: Autoencoders Meet Collaborative Filtering》WWW2015 阅读笔记

最新推荐文章于 2024-07-28 16:03:13 发布
最新推荐文章于 2024-07-28 16:03:13 发布
阅读量7.2k 收藏 23
点赞数 5
分类专栏： deep learning 推荐算法 文章标签： CF 深度学习 AE
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/studyless/article/details/70880829
版权
本文是关于《AutoRec: Autoencoders Meet Collaborative Filtering》的阅读笔记，探讨了如何使用AutoEncoder（AE）应用于协同过滤（CF）。传统CF利用用户评分矩阵预测未知评分，而AutoRec则通过学习用户或物品的向量表示来实现预测。AE旨在重构输入数据，用于特征提取和数据压缩。文章提到，尽管AutoRec思路简洁，但在数据稀疏时可能效果不佳，后续研究通过引入side information改进了这一问题。
摘要由CSDN通过智能技术生成

前一阵子阅读了部分deep learning结合Collaborative filtering的工作，准备写一系列的阅读笔记，这是作为预热的第一篇，也是最容易的一篇，WWW 2015的poster，看起来很快。

在传统的CF里，所用的信息即为所有用户历史的评分数据，按用户做行，item做列，可以得到一个rating matrix R ，其中Rij指 useri 对 itemj 的打分。其中我们只能观测到这个矩阵里的部分值，那些未观测到的值则是需要预测的对象。MF解决该问题的思路是将评分矩阵拆成U*V，其中U为user隐向量矩阵，V为item隐向量矩阵。一旦获得 U∗ 和 V

最低0.47元/天 解锁文章
StudyLess
关注
专栏目录
AutoRec: Autoencoders Meet Collaborative Filtering
free356的博客
04-02 1649
《AutoRec: Autoencoders Meet Collaborative Filtering》目的：利用AE来预测用户对物品missing的评分值。 论文信息：WWW 2015。 一，Contribution： 1）提出一种新的深度学习模型AutoRec，将CF和AE结合，实验证明在RMSE指标数上优于CF和RBM等模型。  二， 实验：我们提出一种混合的协同过滤推荐系统模型与AE，首将...
【推荐系统论文精读系列】(七)--AutoRec Autoencoders Meet Collaborative Filtering
CSDN 精品推荐
11-16 1121
文章目录AutoRec: Autoencoders Meet Collaborative Filtering一、摘要二、介绍三、AUTOREC模型四、实验评估References AutoRec: Autoencoders Meet Collaborative Filtering 一、摘要 本文提出了AutoRec，一个用于协同过滤的新型自动编码器框架。根据经验，AutoRec对于模型的影响和训练效率已经超过了现在基于协同过滤技术的大多数先进模型。 二、介绍 协同过滤（CF）模型的目的是利用用户对物品的偏好
自编码器（autoencoder）
最新发布
qq_46146657的博客
07-28 1919
自编码器学习
《AutoRec: Autoencoders Meet Collaborative Filtering》理解
十三
02-26 2452
1 论文原文 2 理解 2.1 本文目的 通过AutoEncoder模型来预测用户-物品矩阵(评分矩阵M x N.)中缺失的评分值。 2.2 模型 1、模型输入 item-based：每个item用各个user对它的打分作为其向量描述（user-based：每个user用该user对各个item的打分作为输入）。 2、模型输出 将模型对input重建后的新向量里对应位置的值认为是预测值 3...
翻译AutoRec: Autoencoders Meet Collaborative Filtering
weixin_38996229的博客
01-14 641
这里写自定义目录标题1、介绍2、AutoRec方法新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 1、介绍 协...
论文笔记《AutoRec: Autoencoders Meet Collaborative Filtering》
SofiaT的博客
09-07 569
读论文笔记《AutoRec: Autoencoders Meet Collaborative Filtering》
关于AutoRec(Autoencoders Meet Collaborative Filtering)的阅读理解及Pytorch代码实战
qq_40694478的博客
10-19 1014
关于AutoRec(Autoencoders Meet Collaborative Filtering)的阅读理解及Pytorch代码实现 阅读理解关于AutoRec(Autoencoders Meet Collaborative Filtering)的阅读理解及Pytorch代码实现与AutoEncoder相关新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何...
基于图协同过滤的解缠表示(Disentangled Graph Collaborative Filtering)
xianfishY的博客
11-13 1159
基于图协同过滤的解缠表示（Disentangled Graph Collaborative Filtering）1.前言摘要引言2.前期工作2.1.协同过滤2.1.2.基于协同过滤的表示学习2.1.3.限制2.2.任务描述2.2.1.用户-商品关系的探索2.2.2.生成解耦的表示3.模型理论3.1.图解缠模型3.1.1.初始化意图嵌入向量3.1.2.意图感知图初始化3.1.3.图解缠层设计3.1.4.合并图解缠层3.2.独立建模模块3.3.模型优化4.实验4.1模型结果4.2.对DGCF的深入研究5.结论与
（十九）从零开始学人工智能-智能推荐系统：深度学习家族
weixin_45552760的博客
04-30 685
推荐系统系列之三：深度学习家族 1. MLP 来源出处： He, Xiangnan, et al. “Neural collaborative filtering.” Proceedings of the 26th international conference on world wide web. 2017. 目标函数： L=−∑(u,i)∈Ology^u,i−∑(u,j)∈O−log(1...
1.AutoRec: Autoencoders Meet Collaborative Filtering论文解读以及AutoRec代码实现(pytorch)
zhaozhiwei314的博客
01-09 1083
一、论文原文 二、综述 协同过滤模型的目的是利用用户对商品的偏好信息来提供个性化的推荐。AutoRec是一个新型的基于自动编码器的协同过滤模型。论文作者认为AutoRec与现有的将玻尔兹曼机用于协同过滤的神经方法相比具有表征和计算上的优势，并从经验上证明了AutoRec优于当前最先进的方法。 三、自编码器模型 四、AutoRec模型 总体而言 1、模型输入 item-based：每个item用各个user对它的打分作为其向量描述（user-based：每个user用该user对各个item的打分作
[阅读笔记]AutoRec: Autoencoders Meet Collaborative Filtering
casmaster的专栏
07-24 1830
introductionAE之前成功应用在图像和语音上,现在迁移到推荐上模型传统的AE minθ∑r||r−h(r;θ)||22\min_{\theta}\sum_{r}||r-h(r;\theta)||_2^2AutoRec在传统AE的基础上做了如下变化 - 损失函数只和观察到的元素有关 - 加上正则化项AutoRec和RBM-CF的区别 - RBM是生成式模型 - RBM通过极大化对数
利用Theano理解深度学习——Auto Encoder
null的专栏
11-29 5565
注：本系列是基于参考文献中的内容，并对其进行整理，注释形成的一系列关于深度学习的基本理论与实践的材料，基本内容与参考文献保持一致，并对这个专题起名为“利用Theano理解深度学习”系列，若文中有任何问题欢迎咨询。本文提供PDF版本，欢迎索取。“利用Theano理解深度学习”系列分为44个部分，这是第二部分，在第一部分中的算法主要是监督学习算法，在这部分中主要是无监督学习算法和半监督学习算法，主要包括
Perceptron
tang0057的博客
10-09 310
（笔记总结需要！目前粗糙潦草，后期会不断修改。若对您阅读造成不便，望请见谅！！）5. Perceptron
Autoencoders
qq_37978256的博客
09-11 309
[译] 深度学习，维度灾难 和 Autoencoders www.jianshu.com Neil Zhu，简书ID Not_GOD，University AI 创始人 & Chief Scientist，致力于推进世界人工智能化进程。制定并实施 UAI 中长期增长战略和目标，带领团队快速成长为人工智能领域最专业的力量。 作为行业领导者，他和UAI一起在2014年创建了TASA
AUTOENCODERS
weixin_62728271的博客
02-14 249
一、Supervised Learning 二、Auto-Encoders 三、Dropout AutoEncoders
Auto-Encoders
糖公子没来过的博客
09-13 121
深度学习驱动的混合协同过滤：推荐系统新策略
另外，还有基于深度学习的协作推荐系统模型，如KDD'15中提出的Collaborative Deep Learning for Recommender Systems，它进一步提升了模型的复杂性和预测准确性。 文章特别关注了Bayesian SDAE，这是一种结合贝叶斯...
评论 5
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