深度学习推荐系统-----AutoRec单隐层神经网络推荐模型--未完待续

最新推荐文章于 2023-05-10 17:30:25 发布
最新推荐文章于 2023-05-10 17:30:25 发布
阅读量242 收藏
点赞数
分类专栏： 推荐系统 文章标签： 神经网络 机器学习 深度学习 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/data_curd/article/details/113549860
版权
AutoRec是一种结合了自编码器思想和协同过滤技术的单隐层神经网络推荐模型。该模型由澳大利亚国立大学于2015年提出，适用于推荐系统的入门学习。它使用自编码器对用户或物品进行编码，并通过重构向量来预测用户对未评分项目的评分。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

单隐层神经网络模型是2015年又澳大利亚国立大学提出来的AutoRec,它是将自编码器的思想和协同过滤结合，提出了一种单隐层神经网络推荐模型，因其简约的网络结构和清晰易懂的模型原理，AutiRec非常适合作为深入学习推荐模型的入门模型来学习
AutoRec模型是一个标准版的自编码器，它的基本原理是利用协同过滤重的共现矩阵，完成物品向量或者用户向量的自编码，在利用自编码的结果得到用户对物品的预估评分，进而进行推荐排序
什么是自编码器？？？？？
自编码器是指能够完成数据“自编码”的模型，无论是图像，音频，还是文本数据，都可以转换成向量的形式进行表大，假设其数据向量为r，自编码的作用是将向量r作为输入，通过自编码后，得到的输出向量尽量接近其本身。
在这里插入图片描述
AutoRec模型的两个重点内容：
1、重建函数的模型结构
2、利用重建函数得到最终的推荐列表

推荐算法
传播AI技术，共创智能世界
07-27 1356
目前，主要的推荐方法包括：基于内容的推荐、协同过滤推荐、基于关联规则的推荐、基于效用的推荐、基于知识的推荐和组合推荐。
A Survey of Recommender Systems Based on Deep Learning （1）
weixin_43943642的博客
05-24 1214
A Survey of Recommender Systems Based on Deep Learning (本文为同名paper的个人翻译版本，如有认知上的偏差，请谅解) 由于最近在打KDD CUP的竞赛，刚刚接触到推荐系统的一些知识，先从Survey开始入手了解相关技术 ABSTRACT （背景描述和文章大致结构）今年来，深度学习的高速发展在语音识别，图像分析和自然语言处理等领域得到了很好的效果，基于深度学习的推荐系统也是其应用之一，相比于传统的推荐系统，基于深度学习的推荐系统能够更好地捕捉到用户和物
AutoRec--单隐层神经网络推荐模型
LitraLIN的博客
09-26 1186
AutoRec–单隐层神经网络推荐模型 1.1 AutoRec模型基本原理 AutoRec是一个标准的自编码器，其基本原理是利用协同过滤中的共现矩阵，完成物品向量/用户向量的自编码。再利用自编码结果得到用户对物品的预估评分，排序后即可得到推荐物品序列。 1.2 自编码器 自编码器指的是能够完成数据的自动编码的模型。无论是图像、音频，还是文本数据，都可以转换为向量的形式表示。 假设其数据向量为r,自编码器的作用是将向量r作为输入，通过自编码器的输出向量尽可能接近本身。 “尽可能”：说明自编码器输出结果与真实
AutoRec单隐层神经网络推荐模型
星辰的博客
03-05 1646
AutoRec是在2015年由澳大利亚国立大学提出的，它将自编码器的思想和协同过滤结合，提出了一种单隐层神经网络推荐模型。因其简单易懂，特别时候作为深度学习推荐系统的入门。 AutoRec模型的基本原理 AutoRec模型是一个标准的自编码器，它的基本原理是利用协同过滤中的共现矩阵，完成物品向量或者用户向量的自编码。再利用自编码的结果得到用户对物品的预估评分，进而进行推荐排序。 自编码器 自编码器顾名思义，是指能后完成数据“自编码”的模型。假设数据向量为r，自编码器的作用是将向量r作为输入，通过自编码器后，
一文了解推荐系统中的图神经网络
数据派THU
08-17 2951
来源：RUC AI Box 本文约4600字，建议阅读9分钟本文主要介绍推荐系统中的图神经网络，欢迎交流探讨！ [ 引言 ]近年来，GNN技术由于其在图数据学习方面的出色表现，在许多...
基于神经网络的推荐系统模型
DBL_fish的博客
04-21 1万+
        近年来，推荐系统在各种商业领域得到了广泛的应用。为用户提供建议的平台。协同过滤算法是推荐系统中使用的主要算法之一。这种算法简单、高效;然而，数据的稀疏性和方法的可扩展性限制了这些算法的性能，并且很难进一步提高推荐结果的质量。因此，提出了一种将协同过滤推荐算法与深度学习技术相结合的模型，其中包括两部分。首先，该模型采用基于二次多项式回归模型的特征表示方法，通过改进传统的矩阵因子分解算...
推荐系统——（论文阅读笔记）YouTube推荐中的深层神经网络
null的专栏
08-25 6317
这篇文章是阅读YouTube的《Deep Neural Networks for YouTube Recommendations》后的一点总结，这篇文章值得详细阅读，因此将其中的核心点整理出来。 文章的重点 1、总结推荐系统的架构 2、如何利用深度模型做召回 3、如何利用深度模型做Ranking 1、推荐系统的架构 在本文中，推荐系统的架构与其他的推荐架构极为类似，都是由两...
万物皆可Graph | 当推荐系统遇上图神经网络（四）
Kaiyuan_sjtu的博客
02-07 1864
作者|上杉翔二悠闲会·信息检索整理|NewBeeNLP本篇文章继续整理这个系列Graph in Rec 的文章，以前博主整理过的系列可以见：万物皆可Gra...
【推荐系统】AutoRec:当自编码器遇见协同过滤
布纸所云
04-12 1125
论文地址：AutoRec: Autoencoders Meet Collaborative Filtering 一、概述 将自编码器(AutoEncoder)的思想和协同过滤结合： 是个标准的自编码器 利用协同过滤中的共现矩阵，完成物品向量或用户向量的自编码 利用自编码的结果得到用户对物品的预估评分 自编码器是什么？ 目标 自编码器的作用是将向量 r\bm{r}r作为输入，通过重建函数，...
推荐系统综述
Sun123234的博客
05-10 1972
王喆深度学习推荐系统+论文（推荐系统综述）
AutoRec模型结构详解
zhao254014的博客
08-24 1089
模型的输出存储了所有数据向量的“精华”。经过自编码器生成的输出向量， 经过了自编码器的“泛化”过程， 具备了一定的缺失维度的预测能力， 这也是自编码器能用于推荐系统的原因。
推荐算法实战项目：AutoRec模型原理以及案例实战(附完整 Python 代码)
机器学习社区
05-01 1785
本文会介绍AutoRec模型的基本原理，包括网络模型、损失函数、推荐过程、实验结果等，并且会给出基于PyTorch的代码。技术要学会分享、交流，不建议闭门造车。一个人走的很快、一堆人可以走的更远。文章中的完整源码、资料、数据、技术交流提升， 均可加知识星球交流群获取，群友已超过2000人，添加时切记的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。方式①、添加微信号：mlc2060，备注：来自 获取推荐资料方式②、微信搜索公众号：机器学习社区，后台回复：推荐资料。
图神经网络用于推荐系统问题（NGCF，LightGCN，UltraGCN）
热门推荐
nakaizura
06-26 2万+
何向南老师组的又两大必读论文，分别发在SIGIR19’和SIGIR20’。 Neural Graph Collaborative Filtering 协同过滤（collaborative filtering）的基本假设是相似的用户会对物品展现出相似的偏好，自从全面进入深度学习领域之后，一般主要是先在隐空间中学习关于user和item的embedding，然后重建两者的交互即interaction modeling，如MF做内积，NCF模拟高阶交互等。但是他们并没有把user和item的交互信息本身编码进 .
推荐系统之PNN模型
qq_38375203的博客
05-28 1649
前言 今天开始整理讲解Product-based Neural Network（PNN）模型，前面讲解的AutoRec和Deep Crossing模型是在神经网络的复杂度和层数方面进行的进化，而这两个模型也是使用深度学习从用户和物品相似度的角度来进行系统推荐的。其中对AutoRec和DeepCrossing这两个模型有些遗忘的小伙伴可以看看我这篇文章，推荐算法之AutoRec与Deep Crossing模型，但是这两个模型在特征交叉这个方面并没有进行很合理的设计，更多的是使用了全连接层来增加了模型的复杂度
python推介系统方法_基于AutoRec 的推荐系统介绍与python实现
weixin_39599830的博客
01-14 301
本文要介绍的模型是2015年由澳大利亚国立大学提出的AutoRec。它将自编码器(AutoEncoder) 的思想和协同过滤结合，提出了一种但隐藏层的神经网络推荐model。因为简洁的网络结构和清晰易懂的模型原理，所以非常适合深度学习的推荐model 的入门模型来学习本文参考了王喆大佬的新书，《深度学习推荐系统》1.引言协同过滤模型的目的是利用用户对商品的偏好信息来提供个性化的推荐。AutoRec...
【推荐系统】从协同过滤到深度学习
xiangxiang613的专栏
02-22 2039
本文基于《深度学习推荐系统》的模型总结，从协同过滤和逻辑回归的演变大方向来整理。 目录1.CF——*只利用交互信息*2. LR——*多特征融合*3.MF——*引入用户、物品隐变量*4.AutoRec——*结合自编码器*5.NeuralCF——*结合深度学习*6. POLY2——*增加二阶特征*7.FM——*引入特征隐变量*8.FFM——*引入特征域*9.GBDT&LR——*开启特征工程自动化趋势*10.wide&deep——*开启双模型思路*11.Deep&Cross——*用cros
推荐系统-AutoRec 的推荐系统介绍与python实现
JohnBanana的专栏
06-05 1893
本文要介绍的模型是2015年由澳大利亚国立大学提出的AutoRec。它将自编码器（AutoEncoder） 的思想和协同过滤结合，提出了一种但隐藏层的神经网络推荐model。因为简洁的网络结构和清晰易懂的模型原理，所以非常适合深度学习的推荐model 的入门模型来学习 本文参考了王喆大佬的新书，《深度学习推荐系统》 论文地址 1.引言 协同过滤模型的目的是利用用户对商品的偏好信息来提供个性化的推荐。AutoRec是一个新型的基于自动编码器的协同过滤模型。论文作者认为AutoRec与现有的将玻尔兹曼机
《AutoRec: Autoencoders Meet Collaborative Filtering》理解
十三
02-26 2502
1 论文原文 2 理解 2.1 本文目的 通过AutoEncoder模型来预测用户-物品矩阵(评分矩阵M x N.)中缺失的评分值。 2.2 模型 1、模型输入 item-based：每个item用各个user对它的打分作为其向量描述（user-based：每个user用该user对各个item的打分作为输入）。 2、模型输出 将模型对input重建后的新向量里对应位置的值认为是预测值 3...
推荐系统与深度学习（十六）——AutoRec与Deep crossing模型
数据森麟
10-15 445
公众号后台回复“图书“，了解更多号主新书内容作者：livan来源：数据python与算法前沿深度学习在推荐系统中的尝试主要有两个方法，一个是AutoRec模型，一个是Deep Cr...
深度学习驱动的混合协同过滤：推荐系统新策略
本篇文章标题《推荐系统中基于深度学习的混合协同过滤模型》探讨了如何将深度结构与协同过滤相结合，以处理高维稀疏数据、新用户（冷启动）问题以及利用用户侧和物品侧的额外信息。 文章首先定义了问题背景，即在...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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