深度學習在推薦系統中的應用2(附論文及代碼)
本賬號為第四範式智能推薦產品先薦的官方賬號。賬號立足於計算機領域,特別是人工智慧相關的前沿研究,旨在把更多與人工智慧相關的知識分享給公眾,從專業的角度促進公眾對人工智慧的理解;同時也希望為人工智慧相關人員提供一個討論、交流、學習的開放平台,從而早日讓每個人都享受到人工智慧創造的價值。
以下內容經作者授權轉載自微信公眾號【智能推薦系統】。轉載內容僅用於學習交流,版權歸原作者所有。
本篇是深度學習在推薦系統的應用第二篇,這篇文章提出了CF-NADE結構,即神經自回歸結構,可以用於協同過濾。
[2] A Neural Autoregressive Approach to Collaborative FilteringYin Zheng et al.ICML 2016https://pdfs.semanticscholar.org/f5e6/3fb54e1e338c246b20aacf1b3d629b8baf3d.pdf
這篇文章提出了CF-NADE結構,即神經自回歸結構,可以用於協同過濾。該結構源於基於限制性玻爾茲曼機 (Restricted Boltzmann Machine,RBM)的協同過濾模型和神經自回歸分布估計(Neural Autoregressive Distribution Estimator ,NADE)。這篇文章通過不同評分之間參數共享來提升模型效果。CF-NADE的因子分解版本具有更好的擴展性。此外,作者考慮了偏好的有序性,提出有序的損失函數來優化CF-NADE,用以提升模型效果。CF-NADE可以擴展到深層模型,此時會增加一定的計算複雜度。實驗結果如下