《论文笔记》A Deep Learning Based Collaborative Neural Network Framework for Recommender System

H. Private

于 2019-10-21 09:31:29 发布

阅读量473

点赞数

文章标签：论文笔记

本文链接：https://blog.youkuaiyun.com/weixin_41306220/article/details/102646893

版权

本文提出了一种基于深度学习的新型矩阵分解技术，用于改进传统协同过滤方法，通过多阶段联合学习表示深度神经网络，显著提高了推荐系统的性能。介绍了两种方案：CollaborativeFilteringDeepRecommender(CFDR)和CollaborativeFilteringBasedMultistageDeepNeuralNetwork(CFMDNN)，这两种方法在用户和商品交互的联合建模以及潜在特征空间的深度发现方面表现优异。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、提出想法：

作者提出了传统协同过滤的一些缺点并列举了用深度学习来更好的发现深层次的交互特征。在本文中提出一种基于协同过滤的新型矩阵分解技术，采用深度学习来学习潜在特征并连接。使用两种不同的结构：
1、在矩阵分解之前先学习来自用户和项目的潜在特征
2、另一种是用前馈深度网络的多个阶段来学习项目和用户的潜在表示
我们发现多阶段联合学习表示深度神经网络，与单独学习用户和商品特征相比，可显着提高性能。

2、介绍了基于深度学习的推荐系统的建议方案

1、Collaborative Filtering Deeo Recommender(CFDR)
2、Collaborative Filtering Based Multistage Deep Neural Network(CFMDNN)
CFDR和CFMDNN学习建模用户和用户的复杂结构使用矩阵分解进行项目交互，以单独或联合提取潜在特征表示，联合学习体系结构能够通过学习和发现的多个阶段，在更深层次上学习联合空间，而无需进行特征工程或手动手工制作在提取和合并潜在功能集。但是，它们在用户和等级之间交互的联合建模能力以及在联合潜在特征空间中进行深度发现的能力方面有所不同。
CFDNN
CFDR