AutoRec模型结构详解

一、前言

这个模型2015年由澳大利亚国立大学提出， 是个单隐层的神经网络推荐模型，网络结构简单，非常适合深度学习推荐系统的入门模型，但由于比较简单， 表达能力不足， 并没有真正的被应用。

二、AutoRec介绍

它的基本原理是利用协同过滤中的共现矩阵， 完成物品向量或者用户向量的自编码。 再利用自编码的结果得到用户对物品的预估评分， 进而进行的推荐排序。

1、AutoRec架构：

结构图如下：

 

 自编码器输出层的节点数与输入层相等，训练这个网络以期望得到近似恒等函数， 假设数据向量是r, 自编码器的作用是将向量r 作为输入， 通过自编码器， 得到的输出向量尽量接近其本身。
那么自编码器的目标函数：

图中的V 和W 分别表示输入层到隐层， 隐层到输出层的参数矩阵， 如果熟悉神经网络的计算， 这个模型的重构函数表示：
 

 

这里的f ，g都是激活函数。为防止过拟合， 还加入了L2正则， 即最终的目标函数为：

 n表示所有向量的集合，输出向量尽量接