推奨のためにデュアルオートエンコーダーを介した表現学習

推奨事項は、ここ数十年で膨大な量の注意と研究を引き起こしました。以前の作品のほとんどは、ユーザーとアイテムの潜在要因を学ぶために、マトリックス因数分解技術を採用しています。そして、その後の多くの作品は、マトリックス因子化フレームワークの下での推奨パフォーマンスを改善するために、ユーザーとアイテムの属性の社会的関係、例えば外部情報を考慮しています。ただし、マトリックス因数分解方法は、評価またはチェックインマトリックスから限られた情報を完全に使用しておらず、不満な結果を達成することはできません。最近、Deep Learningは、自然言語処理、画像分類などで適切な表現を学ぶことができることが証明されています。この行に沿って、Dual-AutoEncoder（REDA）を介して推奨と呼ばれる新しい表現学習フレームワークを提案します。このフレームワークでは、自動エンコーダーを使用してユーザーとアイテムの新しい隠された表現を同時に学習し、ユーザーとアイテムの学習した表現によるトレーニングデータの逸脱を最小限に抑えます。このフレームワークに基づいて、隠された表現を学習するための勾配降下法を開発します。いくつかの実際のデータセットで実施された広範な実験は、最先端のマトリックス因数分解に基づく方法と比較して、提案された方法の有効性を示しています。

Recommendation has provoked vast amount of attention and research in recent decades. Most previous works employ matrix factorization techniques to learn the latent factors of users and items. And many subsequent works consider external information, e.g., social relationships of users and items' attributions, to improve the recommendation performance under the matrix factorization framework. However, matrix factorization methods may not make full use of the limited information from rating or check-in matrices, and achieve unsatisfying results. Recently, deep learning has proven able to learn good representation in natural language processing, image classification, and so on. Along this line, we propose a new representation learning framework called Recommendation via Dual-Autoencoder (ReDa). In this framework, we simultaneously learn the new hidden representations of users and items using autoencoders, and minimize the deviations of training data by the learnt representations of users and items. Based on this framework, we develop a gradient descent method to learn hidden representations. Extensive experiments conducted on several real-world data sets demonstrate the effectiveness of our proposed method compared with state-of-the-art matrix factorization based methods.