【推荐系统】:AotoRec 模型解析

对于AotoRec 这个推荐模型而言,他最经典的地方就是第一次将深度学习引入到了推荐系统当中。这个推荐模型于2015年,澳大利亚国立大学的研究者所提出。整体思想则是使用一个自编码器,将高纬度空间的数据进行提取,并进行还原。这样我们拿到了训练好的自编码器的权重和神经元,就可以用这些来预测我们已有的一些其他用户的数据,我们可以将其他用户的数据同时也扔到AotoRec这个模型当中,让模型通过经验去预测这个用户所缺失的地方(对于确实数据),他可能会喜欢什么样的物品,以及同时去重新拟合当前用户所喜欢的物品(对于已知数据)。

  • 每个用户uU={1,...,m}u∈U={1,...,m},可以被表示成一个部分可观察向量(partially observed vector):r(u)=(Ru1,...,Run)Rnr(u)=(Ru1,...,Run)∈Rn

相似的,每个item iI={1,...,n}i∈I={1,...,n},可以被表示成:

  • r(i)=(R1i,...,Rmi)Rm

模型的结构如下:

 

 这个模型非常简单,我个人感觉其实可以增加全连接神经网络的层数,这样就可以提高模型进行“深度交叉”的性能,使模型具备更大的弹性。

 

posted @ 2021-10-10 23:05  Geeksongs  阅读(13)  评论(0编辑  收藏  举报

Coded by Geeksongs on Linux

All rights reserved, no one is allowed to pirate or use the document for other purposes.