VBPR（视觉贝叶斯个性化排名）论文总结

一、引

        这篇文章提出一种可扩展的因子分解模型，这种模型可以将视觉信号融入到预测器中。该文利用深层网络（CNN）从产品图像中提取视觉特征，进而从中挖掘人们的反馈。这种做法不仅可以使得模型更准确，而且可以缓解冷启动的问题。

二、已有模型——MF（矩阵分解）

1.以下是基本预测公式：

 2.符号说明：

3. 存在的问题：

        由于真实世界的数据集的稀疏性，他们仍然面临着冷启动的问题。

4.解决思路：

        将评级维度划分为视觉因素和潜在（非视觉）因素。使用显式特征缓解该问题。

三、VBPR：视觉贝叶斯个性化排名

1.图片特征通过CNN进行提取，将图片特征与潜在的特征联合在一起进行推荐。如下图所示：

 

2.偏好预测器模型：

①模型：

②符号说明：

 

3. 模型实现：

学习一个嵌入内核，将高维特征线性转换为一个更低维的（比如20个左右）“视觉评级空间”

①嵌入内核公式：

②符号说明：

 

③评价：

这种嵌入是有效的，因为所有的项目都共享相同的嵌入矩阵，这显著减少了需要学习的参数的数量

5.VBPR模型公式：

①公式：

 ②说明：

β'：视觉偏差，与fi的内积相当于用户对一个给定项目的视觉外观的整体看法。

四、使用BPR进行模型学习

贝叶斯个性化排序(BPR)是一种采用随机梯度上升作为训练过程的成对排序优化框架。

1.个性化排序（BPR-OPT）

2. 当使用矩阵分解作为偏好预测器时（BPR-MF），定义为

 3.学习BPR-MF(更新参数)的方法

 

η：是学习速率

五、更新参数的方法

1.非视觉参数：

以与BPR-MF相同的形式更新

2.视觉参数

5.实验：

1.数据集：Amazon.com、Tradesy.com

预处理后的数据集统计信息 

2.基线：

Random (RAND)	这个基线会对所有用户的项目进行随机排序。
Most Popular (MP)	这个基线根据项目的受欢迎程度对项目进行排序，并且是非个性化的
MM-MF	两两MF模型，该模型对xuij上的铰链排名损失进行了优化，并像在BPR-MF中一样使用SGA进行训练。
BPR-MF	隐式反馈数据集的个性化排名
Image-based Recommendation (IBR)（基于图像的推荐服务）	它学习了一个视觉空间，并检索与查询图像风格相似的项目。然后在学习到的视觉空间中通过最近邻搜索来进行预测。

3.实验结果及结论

①

不同数据集的平均AUC结果（共有20个因子）

结论 ：

VBPR在大多数情况下都优于所有基线。

在BPR-MF的基础上，VBPR对所有项目的BPR-MF平均提高超过12%，对冷启动提高超过28%。将CNN功能纳入我们的排名任务具有显著好处。

②敏感性

不同维度下的AUC

 结论：

        随着因子数量的增加，MM-MF、BPR-MF和VBPR表现得更好，这说明了两两方法避免过拟合的能力。

③培训效率

不断增加训练迭代的AUC（在测试集上）

结论：

        我们提出的模型比MM-MF和BPR-MF需要更长的收敛时间，尽管仍然只需要大约3.5个小时的训练才能在我们最大的数据集（女装）上收敛。