论文笔记：Deep Matrix Factorization Models for Recommender Systems

一、基本信息

论文题目：《Deep Matrix Factorization Models for Recommender Systems》

发表时间：IJCAI 2017

作者及单位：

论文地址：https://dl.acm.org/citation.cfm?id=3172336

 

二、摘要

推荐系统通常通过用户项目交互评分、隐式反馈和辅助信息进行个性化推荐。矩阵分解是一个基本的概念，它可以预测一个用户和项目之间的相似性，对一组项目进行个性化排序。本文提出了一种新的基于神经网络结构的矩阵分解模型。首先，我们构造了一个具有显式评分和非偏好隐式反馈的用户项矩阵。以该矩阵为输入，我们提出了一种深层结构的学习体系结构，用于学习用户和项目表示的公共低维空间。其次，我们设计了一个新的基于二元交叉熵的损失函数，其中我们同时考虑了显式评级和隐式反馈以获得更好的优化。实验结果表明，该模型和损失函数都是有效的。在多个基准数据集上，我们的模型优于其他最先进的方法。我们还进行了大量的实验来评估不同实验环境下的性能。

 

三、主要内容与工作

 

1、

2、

3、

 

四、总结

本文提出了一种新的基于神经网络结构的矩阵分解模型。通过神经网络结构，将用户和项目投射到潜在空间的低维向量中。在我们提出的模型中，我们以两种方式充分利用了显式评级和隐式反馈。我们提出的模型的输入矩阵包括明确的评级和非偏好反馈。在另一方面，我们也设计了一个新的损失函数来训练我们的模型，其中包括显式和隐式反馈。在多个基准数据集上的实验证明了该模型的有效性。
今后，我们的工作要向两个方向发展。对偶目标函数是推荐系统的另一种可选方法。我们将用成对目标函数来验证我们的模型。由于数据稀疏、丢失量大，许多工作试图将辅助额外数据纳入推荐系统，如社会关系、评论文本、浏览历史等。这给我们提供了另一个有趣的方向，用额外的数据扩展我们的模型。