3、基于多关系变分自编码器的协同过滤方法解析

基于多关系变分自编码器的协同过滤方法解析

1. 引言

推荐系统在电商、音乐应用、短视频平台等众多平台广泛应用，能根据用户个性化偏好为其推荐物品。协同过滤（CF）是挖掘用户个性化偏好的有效推荐方法，主要利用用户和物品之间的相似模式（关系）进行推荐。近年来，基于协同过滤的Top - N推荐备受关注。

在Top - N推荐的协同过滤方法中，基于变分自编码器（VAE）的方法，如Mult - VAE，取得了先进的性能。Mult - VAE在结构上与普通VAE相似，但有两点变化：一是在Kullback - Leibler（KL）散度项引入额外的超参数β来控制正则化；二是使用多项似然进行模型训练。这些变化在密集数据集上有助于提升推荐性能，但在稀疏数据集上表现不佳。这是因为其非线性的编码器和解码器结构，使得它只能捕捉用户和物品之间的非线性关系，而忽略了在数据稀疏时很重要的线性关系。

此外，Mult - VAE只考虑了用户和物品之间的关系，而忽略了物品之间的关系。物品之间的关系在一些基于邻居的协同过滤方法中被证明对性能提升很重要。为了将线性和非线性的用户 - 物品关系以及物品 - 物品关系整合到一个统一的基于VAE的框架中，提出了用于协同过滤的多关系变分自编码器（MRVAE）。

主要贡献如下：
- 提出MRVAE模型，将线性和非线性的用户 - 物品关系以及物品 - 物品关系整合到统一模型中。
- 设计了非对称的模型结构，包括混合编码器和线性解码器。
- 通过余弦相似度计算物品 - 物品相似度，并选择每个交互物品的前M个最相似物品用于模型训练，将物品 - 物品关系融入MRVAE。
- 进行大量实验，证明MRVAE相对于其他基于VAE的协同过