论文笔记：Collaborative Denoising Auto-Encoders for Top-N Recommender Systems

一、基本信息

论文题目：《Collaborative Denoising Auto-Encoders for Top-N Recommender Systems》

发表时间：WSDM 2016

作者及单位：

论文地址：https://dl.acm.org/citation.cfm?id=2835837

 

二、摘要

大多数现实世界中的推荐服务都是根据向最终用户显示的前n个结果来衡量其性能的。因此，在实际应用中，Top-N建议的进展产生了广泛的影响。在本文中，我们提出了一种新的方法，称为协同去噪自动编码器（CDAE），为顶N建议，利用去噪自动编码器的思想。我们证明了所提出的模型是几个著名的协同过滤模型的一个推广，但具有更灵活的组件。为了了解CDAE在不同组件设置下的性能，进行了深入的实验。此外，对多个公共数据集的实验结果表明，在各种常见的评估指标上，CDAE始终优于最先进的Top-N推荐方法。

 

三、主要内容与工作

•我们提出了一个新的模型CDAE，该模型使用自动编码器框架来制定Top-N推荐问题，并从损坏的输入中学习。与相关方法相比，CDAE在模型定义和目标函数方面都是一种新颖的方法。
•我们证明CDAE是几种最先进方法的概括，但具有更灵活的结构。
•我们进行了深入的实验，研究了CDAE中不同组件选择的影响，并表明CDAE在三个现实数据集上优于最先进的方法。

1、去噪自动编码器（DAE）扩展了经典自动编码器，通过训练从其（部分）损坏的版本x~重新构造每个数据点x。DAE的目标是强制隐藏层发现更健壮的特性，并防止其简单地学习标识功能。损坏的输入x~通常来自条件分布p（x~|x）。常见的损坏选择是加高斯噪声和多重掩模输出/输出噪声。在添加有输出噪声情况下，一个随机地用0覆盖x的每个维度，概率为q:

，为了保证无偏性我们令

 

四、总结

针对Top-N推荐问题，提出了一种协同去噪自动编码器（CDAE）。CDAE通过使用去噪自动编码器形成用户项目反馈数据，学习用户和项目的分布式表示。我们对三个数据集进行了一组全面的实验，以研究模型组件的选择如何影响性能。我们还将CDAE与其他几种最先进的顶级N推荐方法进行了比较，结果表明，CDAE在很大程度上优于其他方法。
该模型为神经网络在推荐系统中的应用提供了广阔的前景。这里我们列出一些可能的方向。

深度神经网络。本文所采用的神经网络结构比较简单。一个简单的扩展是像在堆叠的DAE中那样堆叠模型。我们对堆积CDAE的初步实验没有显示出明显的改善。我们计划调查原因并努力改进。此外，边缘化的DAE[3]的思想可能能够加快培训并提高性能。考虑将卷积神经网络和循环神经网络等其他神经网络结构应用于该框架也会很有趣。

Feature-aware Recommendation。用户和项目特性对于生成有语义意义的模型和处理冷启动问题非常重要。如何结合用户和项目特征来改进所提出的模型是值得探索的。

上下文感知建议。在许多应用程序中，将上下文信息（如时间、位置、浏览器会话等）合并到推荐过程中可能会有好处，以便在某些情况下向用户推荐项目。我们在本次工作中留下一些扩展当做将来的工作。