这篇研究论文从图的角度考虑了推荐系统的矩阵填充问题,提出了一个基于可微分消息传递的自编码器框架,并在该领域常用的协同过滤数据集中表现出了良好的性能,尤其是在结构化数据和社交网络数据等背景信息充足的场景中的表现更为优异。
Jun, 2017
提出了一种针对缺失数据的归纳矩阵补全方法,通过图自编码器学习用户(或物品)的具体表示和局部图模式来实现个性化推荐。实验表明该模型在多个矩阵补全基准测试中均达到了最先进的性能水平。
Aug, 2021
本文利用变分自编码器和电影嵌入向量,应用于电影推荐,通过 VAE 网络获取潜在表示,探索了合作式过滤的新方法。
Jul, 2018
该论文提出了一种利用变分自编码器从辅助信息中学习特征表示和同时恢复用户评分和辅助信息的方法,相较于现有的基于辅助信息的推荐方法,其具有更高的效果
本研究提出一种基于简单元素的线性模型,针对推荐系统的稀疏数据和隐式反馈数据,并展示其训练目标具有闭式解,该简单模型在所有公开数据集上都取得了比深度非线性模型更好的排名准确性。
May, 2019
本文提出了一种在 Variational Autoencoders 框架下利用用户评论文本并加入用户自适应先验来提高协同过滤推荐质量的方法,实验证明该方法比已有的基于用户评分与文本的推荐模型有更高的排名指标。
文章提出了 Collaborative Reflection-Augmented Autoencoder Network (CRANet) 相关理论,旨在解决在训练阶段中由缺省数据引入的负信号所带来的推荐性能下降问题,并通过实验验证 CRANet 相比于其他推荐技术可以显著改善推荐问题的性能。
Jan, 2022
本文提出了一种基于深度自编码器的新模型,通过对 Netflix 数据集进行评分预测任务,相对于之前的模型具有明显优势。该模型不需要层预训练,采用 6 层自编码器进行端到端的训练,通过实验证明:深度自编码器模型的泛化能力比浅层模型更好,负部分的非线性激活函数对于训练深度模型至关重要,必须大量采用正则化技术,如 dropout,以防止过拟合。此外,我们提出了一种基于迭代输出反馈的训练算法,以克服协作过滤的自然稀疏性,该算法显著加速了训练并改善了模型性能。
Aug, 2017
AutoSeqRec 是一种用于顺序推荐任务的增量推荐模型。它基于自编码器,由编码器和三个解码器组成。通过重建用户 - 物品交互矩阵和物品转换矩阵的行列,捕捉用户的长期偏好和短期兴趣,最终实现了准确性、鲁棒性和高效性的提升。
Aug, 2023
本文提出了一种将自编码器范式与矩阵分解相结合的新型混合模型,通过建模内容信息的有效性和紧凑性的表示,并利用隐式用户反馈进行精准推荐,从而优化项目推荐,实验结果表明该方法优于比较方法。
Apr, 2017