《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