中国人工智能学会通讯——深度学习与推荐系统 2.1 深度特征抽取(Extracting Side Features with Deep Learning)...

最新推荐文章于 2025-09-05 23:53:17 发布

weixin_34112181

最新推荐文章于 2025-09-05 23:53:17 发布

阅读量226

点赞数

CC 4.0 BY-SA版权

文章标签：嵌入式人工智能

原文链接：https://yq.aliyun.com/articles/218422

本文探讨了如何利用深度学习技术进行特征抽取，并将其应用于协同过滤推荐系统中。通过使用如卷积神经网络（CNN）、去噪自动编码模型（DAE）及多层感知机（MLP）等方法，可以从音乐、电影、新闻和图片等不同类型的数据中提取有效的嵌入式表示。这些表示随后被用于优化推荐模型的目标函数，从而提升推荐效果。

2.1 深度特征抽取(Extracting Side Features with Deep Learning)

图4总结了一系列工作使用深度学习进行特征抽取，并用于协同过滤的基本框架。介于深度学习技术抽取出的特征通常是相对较短、稠密的向量（也称为嵌入式表示，embedding），可以和基于隐向量的矩阵分解方法无缝结合，因此这类工作大都采用矩阵分解模型进行协同过滤。例如，文献[33]在音乐推荐任务中，采用卷积神经网络（CNN）从音乐的原始特征中抽取出音乐表示，优化目标函数式(2)获得用户的隐向量；文献[36]在电影推荐任务中，采用去噪自动编码模型（DAE）从用户和电影的原始特征中抽取隐向量表示，优化目标函数式(1)学习模型参数；文献[34]在新闻推荐任务中，采用多层感知机（MLP）从用户的原始特征（如查询文本和点击记录等）和新闻的原始特征（如文本描述和类别信息等）中抽取出隐向量表示；文献[39]在图片推荐的任务中，采用卷积网络AlexNet抽取出较为抽象的图片表示。

值得一提的是，以上方法均采用向量内积作为用户和物品的交互函数，也就是矩阵分解的基本模型。我们发现向量内积的方式尽管在协同过滤的任务上简单高效，但在建模实体之间的相似度时有一定的局限性，尤其是在考虑实体之间的排序时[6]。考虑到神经网络有极强的近似连续函数的能力[32]，一个可行的改进方案是使用神经网络从数据中学习该交互函数。