3、MRVAE：用于协同过滤的多关系变分自编码器

MRVAE：用于协同过滤的多关系变分自编码器

1. 引言

推荐系统（RSs）在众多平台广泛应用，如电子商务、音乐应用、短视频平台等，它能根据用户的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推荐在研究中愈发流行。

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与普通VAE结构类似，但有两点改变：一是在KL散度项引入额外超参数β来控制正则化；二是使用多项似然进行模型训练。这些改变有助于在密集数据集（每个用户平均有多次交互）中提升推荐性能，但在稀疏数据集上表现不佳。我们认为这是由于模型结构设计不当，即使用了神经网络的非线性编码器和解码器，这种结构使Mult - VAE只捕捉到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。并且，Mult - VAE只考虑了用户和物品之间的关系，缺乏对其他关系（如物品 - 物品关系）的挖掘。

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，我们提出了用于协同过滤的多关系变分自编码器（MRVAE）。具体做法是：设计一个结合线性和非线性结构并带有自注意力机制的混合编码器；将Mult - VAE中解码器的非线性多层感知机简化为仅包含权重和偏置的线性单层神经网络；使用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。

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