《AutoRec: Autoencoders Meet Collaborative Filtering》WWW2015 阅读笔记

最新推荐文章于 2025-09-30 15:11:45 发布
原创 最新推荐文章于 2025-09-30 15:11:45 发布 · 7.6k 阅读 · 23 ·
CC 4.0 BY-SA版权
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。
文章标签：

#CF #深度学习 #AE

本文是关于《AutoRec: Autoencoders Meet Collaborative Filtering》的阅读笔记，探讨了如何使用AutoEncoder（AE）应用于协同过滤（CF）。传统CF利用用户评分矩阵预测未知评分，而AutoRec则通过学习用户或物品的向量表示来实现预测。AE旨在重构输入数据，用于特征提取和数据压缩。文章提到，尽管AutoRec思路简洁，但在数据稀疏时可能效果不佳，后续研究通过引入side information改进了这一问题。

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，也是最容易的一篇，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 R，其中Rij指 useri 对itemj的打分。其中我们只能观测到这个矩阵里的部分值，那些未观测到的值则是需要预测的对象。MF解决该问题的思路是将评分矩阵拆成U*V，其中U为user隐向量矩阵，V为item隐向量矩阵。一旦获得U∗和V

最低0.47元/天 解锁文章
AutoRec: Autoencoders Meet Collaborative Filtering
free356的博客
04-02 1768
《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CF和AE结合，实验证明在RMSE指标数上优于CF和RBM等模型。  二， 实验：我们提出一种混合的协同过滤推荐系统模型与AE，首将...
论文笔记：AutoRec: Autoencoders Meet Collaborative Filtering
qq_44015059的博客
07-18 1523
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
【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 1365
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
自编码器(AutoEncoder)介绍及pytorch代码实现
最新发布
2501_93198826的博客
09-30 574
自编码器(AutoEncoder)介绍及pytorch代码实现
《AutoRec: Autoencoders Meet Collaborative Filtering》理解
十三
02-26 2605
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...
翻译AutoRec: Autoencoders Meet Collaborative Filtering
weixin_38996229的博客
01-14 742
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...
论文笔记《AutoRec: Autoencoders Meet Collaborative Filtering》
SofiaT的博客
09-07 666
读论文笔记《AutoRec: Autoencoders Meet Collaborative Filtering》
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 1138
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...
[阅读笔记]AutoRec: Autoencoders Meet Collaborative Filtering
casmaster的专栏
07-24 1942
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
1.AutoRec: Autoencoders Meet Collaborative Filtering论文解读以及AutoRec代码实现(pytorch)
zhaozhiwei314的博客
01-09 1280
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
Perceptron
tang0057的博客
10-09 382
（笔记总结需要！目前粗糙潦草，后期会不断修改。若对您阅读造成不便，望请见谅！！）5. Perceptron
Autoencoders
qq_37978256的博客
09-11 449
[译] 深度学习，维度灾难 和 Autoencoders www.jianshu.com Neil Zhu，简书ID Not_GOD，University AI 创始人 & Chief Scientist，致力于推进世界人工智能化进程。制定并实施 UAI 中长期增长战略和目标，带领团队快速成长为人工智能领域最专业的力量。 作为行业领导者，他和UAI一起在2014年创建了TASA
AUTOENCODERS
weixin_62728271的博客
02-14 312
一、Supervised Learning 二、Auto-Encoders 三、Dropout AutoEncoders
Auto-Encoders
糖公子没来过的博客
09-13 165
自动编码器（Autoencoders）
bunny___的博客
07-11 1256
神经网络以各种形状和大小存在，并且通常以其输入和输出数据类型为特征。例如，图像分类器是用卷积神经网络构建的。它们将图像作为输入，并输出类的概率分布。 自动编码器是一类输入与输出相同的神经网络。它们的工作原理是将输入压缩到潜在空间表示中，然后从该表示中重建输出。
自编码器（Autoencoders）
m0_74052450的博客
02-24 911
自编码器由编码器和解码器组成，编码器将输入数据压缩为低维表示，解码器将其还原为原始数据。通过训练，自编码器能够学习数据的有效表示，常用于降维和特征提取。相比于独立模型，它的输入输出更灵活，且可以在输入完成后在完成解码。
一个非常好的理解autoencoders的例子
LanQiuChaoRen的专栏
10-21 2023
深度学习有一个重要的概念叫autoencoder，这是个什么东西呢，本文通过一个例子来普及这个术语。          简单来说autoencoder是一个压缩编码器，也就是对input的一坨东西通过变换，输出和input一样的东西。例如input是一个鸡，ouput也是一个鸡，input是一个鸭，output也是一个鸭。学术一点说就是找到一个函数能够使得 Function(input) =
AutoRec模型实战：基于PyTorch的推荐系统实现
AutoRec模型是一种基于深度学习的推荐系统方法，其核心思想是将自编码器（Autoencoder）与传统的协同过滤（Collaborative Filtering, CF）技术相结合，以实现对用户评分行为的有效建模和预测。该模型由Sedhain等人于...
评论 5
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