论文:Collaborative Deep Learning for Recommender Systems
来源:KDD 2015
原文链接
转载请注明出处:www.scholat.com/hailin
现存的推荐方法可主要分为三类:
- 基于内容的方法(content-based)
- 协同过滤(Collaborative Filtering,CF)
- 混合两者的方法(Hybrid methods)
而CF又有两大问题:评分稀疏和冷启动问题。为了提升预测精度,因此基于CF的方法不可避免要去利用辅助信息(auxiliary information),Hybrid methods因此变得流行起来。根据评分与辅助信息之间是否存在双向交互,Hybrid method又可分为两个子类:
- 松耦合(Loosely coupled methods):一旦提取了辅助信息的特征就将它们提供给CF模型,这是从评分到辅助信息之间的单向交互。这种方法的提升需要手动而冗长的特征工程。
紧耦合(Tightly coupled methods):双向交互。可自主从辅助信息中学习特征
Collaborative topic regression(CTR)是一个topic model+Latent Dirichlet allocation(LDA)+概率矩阵分解(PMF)的紧耦合方法。
作者提出一个名为Collaborative deep learning(CDL)的分级贝叶斯模型,也是一个新颖的紧耦合推荐方法。
未完待续