《Collaborative Deep Learning for Recommender Systems》阅读笔记

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

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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