AutoRec: Autoencoders Meet Collaborative Filtering

最新推荐文章于 2022-09-07 15:13:08 发布
最新推荐文章于 2022-09-07 15:13:08 发布
阅读量1.7k 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 推荐系统_论文 文章标签： AutoRec
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/free356/article/details/79786894
《AutoRec: Autoencoders Meet Collaborative Filtering》提出了将深度学习的自动编码器(AE)与协同过滤(CF)结合的新型推荐系统模型。实验表明，该模型在RMSE指标上优于传统CF和RBM模型。文章介绍了item-based和user-based AutoRec，其中item-based模型表现出色。尽管在数据稀疏和噪声大的情况下效果可能不佳，但引入side information可以改善这一问题。

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

《AutoRec: Autoencoders Meet Collaborative Filtering》

目的：利用AE来预测用户对物品missing的评分值。

论文信息：WWW 2015。

 

一，Contribution：

 

1）提出一种新的深度学习模型AutoRec，将

最低0.47元/天 解锁文章

200万优质内容无限畅学
《AutoRec: Autoencoders Meet Collaborative Filtering》WWW2015 阅读笔记
studyless的博客
04-27 7566
前一阵子阅读了部分deep learning结合Collaborative filtering的工作，准备写一系列的阅读笔记，这是作为预热的第一篇，也是最easy的一篇，WWW 2015的poster，看起来很快。在传统的CF里，所用的信息即为所有用户历史的评分数据，按用户做行，item做列，可以得到一个rating matrix RR，其中Rij指useriuser_i对itemjitem_j的打
关于AutoRec(Autoencoders Meet Collaborative Filtering)的阅读理解及Pytorch代码实战
qq_40694478的博客
10-19 1128
关于AutoRec(Autoencoders Meet Collaborative Filtering)的阅读理解及Pytorch代码实现 阅读理解关于AutoRec(Autoencoders Meet Collaborative Filtering)的阅读理解及Pytorch代码实现与AutoEncoder相关新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何...
【推荐系统论文精读系列】(七)--AutoRec Autoencoders Meet Collaborative Filtering
优快云 精品推荐
11-16 1261
文章目录AutoRec: Autoencoders Meet Collaborative Filtering一、摘要二、介绍三、AUTOREC模型四、实验评估References AutoRec: Autoencoders Meet Collaborative Filtering 一、摘要 本文提出了AutoRec，一个用于协同过滤的新型自动编码器框架。根据经验，AutoRec对于模型的影响和训练效率已经超过了现在基于协同过滤技术的大多数先进模型。 二、介绍 协同过滤（CF）模型的目的是利用用户对物品的偏好
论文笔记《AutoRec: Autoencoders Meet Collaborative Filtering》
SofiaT的博客
09-07 642
读论文笔记《AutoRec: Autoencoders Meet Collaborative Filtering》
1.AutoRec: Autoencoders Meet Collaborative Filtering论文解读以及AutoRec代码实现(pytorch)
zhaozhiwei314的博客
01-09 1242
一、论文原文 二、综述 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用于协同过滤的神经方法相比具有表征和计算上的优势，并从经验上证明了AutoRec优于当前最先进的方法。 三、自编码器模型 四、AutoRec模型 总体而言 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
《AutoRec: Autoencoders Meet Collaborative Filtering》理解
十三
02-26 2520
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...
[阅读笔记]AutoRec: Autoencoders Meet Collaborative Filtering
casmaster的专栏
07-24 1926
introductionAE之前成功应用在图像和语音上,现在迁移到推荐上模型传统的AE minθ∑r||r−h(r;θ)||22\min_{\theta}\sum_{r}||r-h(r;\theta)||_2^2AutoRec在传统AE的基础上做了如下变化 - 损失函数只和观察到的元素有关 - 加上正则化项AutoRec和RBM-CF的区别 - RBM是生成式模型 - RBM通过极大化对数
【推荐系统】AutoRec:当自编码器遇见协同过滤
布纸所云
04-12 1137
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，...
论文笔记：AutoRec: Autoencoders Meet Collaborative Filtering
qq_44015059的博客
07-18 1478
前言 论文链接：https://dl.acm.org/doi/10.1145/2740908.2742726 github：https://github.com/ImKeTT/AutoRec-Pytorch 这篇文章提出了一种基于AutoEncoder的协同过滤方法来解决评分预测问题。 将协同过滤和 Autoencoder 结合，在协同过滤算法中，假设有m个用户和n个物品，以及用户对物品的评分矩阵R，任务是尽可能准确地推测出用户对未评分物品的评分值。实验证明在RMSE指标数上优于CF和RBM等模型。 这篇论
翻译AutoRec: Autoencoders Meet Collaborative Filtering
weixin_38996229的博客
01-14 721
这里写自定义目录标题1、介绍2、AutoRec方法新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 1、介绍 协...
2018-Variational Autoencoders for Collaborative Filtering.pdf
06-11
2018-Variational Autoencoders for Collaborative Filtering
论文笔记：Variational Autoencoders for Collaborative Filtering
qq_35771020的博客
05-13 3980
一、基本信息 论文题目：《Variational Autoencoders for Collaborative Filtering》 发表时间：WWW2018 作者及单位： 二、摘要 我们将变分自编码扩展到隐式反馈的协同过滤。这种非线性概率模型使我们能够超越线性因素模型的有限建模能力，而线性因素模型在很大程度上仍然主导着协同过滤研究。引入一个具有多项式似然性的生成模型，并利用贝...
论文笔记：WWW 2018 Variational Autoencoders for Collaborative Filtering
qq_44015059的博客
02-12 1571
前言 论文链接：https://export.arxiv.org/pdf/1802.05814 github：https://github.com/dawenl/vae_cf 本文主要提出将变分自动编码器 variational autoencoders (vaes) 引入到协同过滤任务中，作者认为这种非线性概率模型可以超越线性因素模型有限的建模能力，同时线性因素模型在很大程度上主导着协同过滤。基于此，作者引入了一个多项式似然生成模型，并利用贝叶斯推理进行参数估计。尽管多项式似然在语言建模和经济学中得到了
论文解读:Variational Autoencoders for Collaborative Filtering.(WWW2018)
yfreedomliTHU的博客
06-19 2420
Variational Autoencoders for Collaborative Filtering.(WWW2018) 摘要：本文将变分自编码(VAES)扩展到隐式反馈的协同过滤。这种非线性概率模型使我们能够超越线性因素模型的有限建模能力，而线性因素模型在很大程度上仍然主导着目前的协同过滤研究。本文引入一个具有多项式似然性的生成模型，并利用贝叶斯推理进行参数估计。尽管在语言建模和经济学中得到...
论文笔记：Augmented Variational Autoencoders for Collaborative Filtering with Auxiliary Information
qq_35771020的博客
05-04 1381
一、基本信息 论文题目：《Augmented Variational Autoencoders for Collaborative Filtering with Auxiliary Information》 发表时间：CIKM 2017 作者及单位： 论文地址：https://dl.acm.org/citation.cfm?id=3132972 二、摘要 本文提出了协同过滤处...
Autoencoders
Do not mess it up
09-30 868
CNN前面是提取特征的，这部分可以用Auto-Encoder来做，而这个用的没有label的data
Collaborative Filtering
banyi4389的博客
03-27 224
协同过滤的主要目标：由于网络信息量的增多，用户往往被淹没在信息的海洋里，很难很轻易的找到自己感兴趣的topic。协同过滤就是为了把用户最可能感兴趣的信息推送给用户（Recommer system）。 协同过滤的方法： model-base，user-base，item-base，content-base。 user-based：搜集用户profile。对于一个ac...
AutoRec——单隐层神经网络推荐系统
DeepLearningJay的博客
07-29 253
AutoRec——单隐层神经网络推荐系统论文地址基本原理网络结构图代码实现参考文献 论文地址 AutoRec: Autoencoders Meet Collaborative Filtering 基本原理 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。 网络结构图 代码实现 import torch import torch.nn as nn import numpy as np import math import
【推荐系统】变分自编码器(VAEs)在推荐系统中的应用
fengdu78的博客
11-06 5392
「本文概览」今天给大家介绍一篇VAEs用于推荐系统召回侧的文章，论文题目为《Variational Autoencoders for Collaborative Filtering》。VA...
AutoRec模型框架图
最新发布
01-17
### AutoRec模型概述 AutoRec（Automatic Recurrent Recommender System）是一种基于自动编码器的推荐系统方法。该模型旨在通过学习潜在特征来预测用户对项目的评分或偏好。AutoRec有两种变体：一种是针对用户的(User-based)，另一种是针对物品(Item-based)[^1]。 #### User-based AutoRec架构 User-based AutoRec利用用户行为矩阵作为输入，其中每一行代表一个用户的评分向量。模型尝试重构这个评分矩阵，在此过程中捕捉到有用的隐藏层表示形式。具体来说： - 输入层接收稀疏的用户项目交互数据。 - 编码器将高维稀疏输入映射到低维度密集空间中。 - 解码器再把压缩后的表征还原回原始输入大小的空间内。 - 输出即是对原评分矩阵的一个近似估计[^2]。 ```python import tensorflow as tf class UserBasedAutoRec(tf.keras.Model): def __init__(self, num_users, hidden_units): super().__init__() self.encoder = tf.keras.layers.Dense(hidden_units, activation='relu') self.decoder = tf.keras.layers.Dense(num_users) def call(self, inputs): encoded = self.encoder(inputs) decoded = self.decoder(encoded) return decoded ``` #### Item-based AutoRec架构 Item-based版本则相反地作用于转置后的矩阵上，也就是每列对应着不同商品被多个用户评价的情况。其工作原理与上述过程相似，只不过关注点从用户转移到了产品本身之上[^3]。 尽管这里无法提供具体的AutoRec模型架构图，但是根据描述可以理解的是，无论是哪种类型的AutoRec，核心都是构建了一个能够有效提取并重建用户偏好的神经网络结构。这种设计使得AutoRec能够在处理大规模稀疏数据方面表现出色，并且具有良好的泛化能力[^4]。
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