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

最新推荐文章于 2025-02-08 02:49:15 发布
最新推荐文章于 2025-02-08 02:49:15 发布
阅读量7.5k 收藏 23
点赞数 5
分类专栏： deep learning 推荐算法 文章标签： CF 深度学习 AE
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/studyless/article/details/70880829
版权
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。

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

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
【推荐系统】AutoRec:当自编码器遇见协同过滤
布纸所云
04-12 1115
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，...
AutoRec: Autoencoders Meet Collaborative Filtering
free356的博客
04-02 1716
《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》
SofiaT的博客
09-07 626
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 1199
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
自编码器(Autoencoder)
最新发布
李昭的博客
02-08 1379
的神经网络模型，旨在通过编码（压缩）与解码（重建）过程，学习数据的低维表示（潜在特征）。：在损失函数中加入稀疏性约束（如L1正则化），迫使潜在表示稀疏化。：通过编码器生成潜在表示（如将784维图像压缩为32维向量）。：数据压缩、去噪、异常检测、生成模型（如变分自编码器）等。：对复杂数据（如图像）的重建结果可能模糊（尤其VAE）。：通过重建误差识别异常样本（误差大的样本可能异常）。：计算输入与重建输出的差异（如均方误差MSE）。：训练时输入噪声图像，输出干净图像（如DAE）。
【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 1214
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
《AutoRec: Autoencoders Meet Collaborative Filtering》理解
十三
02-26 2498
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
01-14 690
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...
[阅读笔记]AutoRec: Autoencoders Meet Collaborative Filtering
casmaster的专栏
07-24 1883
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
利用Theano理解深度学习——Auto Encoder
null的专栏
11-29 5630
注：本系列是基于参考文献中的内容，并对其进行整理，注释形成的一系列关于深度学习的基本理论与实践的材料，基本内容与参考文献保持一致，并对这个专题起名为“利用Theano理解深度学习”系列，若文中有任何问题欢迎咨询。本文提供PDF版本，欢迎索取。“利用Theano理解深度学习”系列分为44个部分，这是第二部分，在第一部分中的算法主要是监督学习算法，在这部分中主要是无监督学习算法和半监督学习算法，主要包括
Perceptron
tang0057的博客
10-09 348
（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
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 1090
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...
Autoencoders
github_29374279的博客
07-18 500
Autoencoders编码器
AUTOENCODERS
weixin_62728271的博客
02-14 275
一、Supervised Learning 二、Auto-Encoders 三、Dropout AutoEncoders
Auto-Encoders
糖公子没来过的博客
09-13 148
自动编码器（Autoencoders）
bunny___的博客
07-11 1028
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。
一个非常好的理解autoencoders的例子
LanQiuChaoRen的专栏
10-21 1951
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模型框架图
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 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