文档章节

User-Item协同自回归模型的协同过滤

猪迪
 猪迪
发布于 2017/02/04 18:46
字数 400
阅读 208
收藏 0

Besides the success on object recognition, machine translation and system control in games, (deep) neural networks have achieved state-of-the-art results in collaborative filtering (CF) recently. Previous neural approaches for CF are either user-based or item-based, which cannot leverage all relevant information explicitly. We propose CF-UIcA, a neural co-autoregressive model for CF tasks, which exploit the structural autoregressiveness in the domains of both users and items. Furthermore, we separate the inherent dependence in this structure under a natural assumption and develop an efficient stochastic learning algorithm to handle large scale datasets. We evaluate CF-UIcA on two popular benchmarks: MovieLens 1M and Netflix, and achieve state-of-the-art predictive performance, which demonstrates the effectiveness of CF-UIcA.

神经网络在物体识别,机器翻译中取得了成功。

之前的Neural CF方法(user-based or item-based)不能明显的平衡相关信息。这里提出了一种CF-UIc方法。

CF中两大关联:User-User Correlations (UUCs) and Item-Item Correlations (IICs)

隐藏变量模型:Matrix Factorization(MF) and neural network based models

MF methods take both UUCs and IICs in count implicitly as a prediction is the inner product of the latent vectors of the corresponding user and item.

两类NN-based协同过滤:RBM-CF和CF-NADE 只考虑UUC和IIC中的一个

而CF-UIcA同时基于UUC和IIC预测推荐结果

图片来自论文


上图中,绿色/黄色/灰色分别对应喜欢/不喜欢/未评价

(a)Predicting with a single User-User Correlation.
(b) Predicting with a single Item-Item Correlation.
(c) Predicting with multiple User-User Correlations.
(d) Predicting with multiple Item-Item Correlations.
1.问题的形式化与符号化
(user, item, rating)三元组记为(i,j,Rij),评分范围1-K

假定系统有D个三元组,D<<N*M

σ是(1,2,..,n)的排列

2.数学模型

(N × M )! possible orderings of all the
entries in R

UUC和IIC的条件模型:

其中
隐藏层

© 著作权归作者所有

猪迪
粉丝 6
博文 134
码字总数 180528
作品 0
海淀
程序员
私信 提问
推荐系统之用户行为分析

最近读了项亮博士的《推荐系统实践》,在此对用户行为分析这章做一个总结。 用户行为介绍 基于用户行为的推荐,在学术界名为协同过滤算法。 协同过滤就是指用户可以齐心协力,通过不断地和网...

超级个体颛顼
2017/12/13
0
0
机器学习在热门微博推荐中的应用

近年来,机器学习在搜索、广告、推荐等领域取得了非常突出的成果,成为最引人注目的技术热点之一。微博也在机器学习方面做了广泛的探索,其中在推荐领域,将机器学习技术应用于微博最主要的产...

技术小能手
2018/02/08
0
0
深度召回模型在QQ看点推荐中的应用实践

本文由云+社区发表 作者:腾讯技术工程 导语:最近几年来,深度学习在推荐系统领域中取得了不少成果,相比传统的推荐方法,深度学习有着自己独到的优势。我们团队在QQ看点的图文推荐中也尝试...

腾讯云加社区
03/20
0
0
如何利用Spark MLlib进行个性推荐?

在现今的推荐技术和算法中,最被大家广泛认可和采用的就是基于协同过滤的推荐方法。 协同过滤(Collaborative Filtering, 简称CF) 是利用集体智慧的一个典型方法。换句话说,就是借鉴和你相关...

zlw东南风
2017/11/07
0
0
机器学习相关——协同过滤

在现今的推荐技术和算法中,最被大家广泛认可和采用的就是基于协同过滤的推荐方法。本文将带你深入了解协同过滤的秘密。下面直接进入正题 1 什么是协同过滤 协同过滤是利用集体智慧的一个典型...

~大器晚成~
2012/02/01
0
0

没有更多内容

加载失败,请刷新页面

加载更多

Spring boot 静态资源访问

0. 两个配置 spring.mvc.static-path-patternspring.resources.static-locations 1. application中需要先行的两个配置项 1.1 spring.mvc.static-path-pattern 这个配置项是告诉springboo......

moon888
今天
3
0
hash slot(虚拟桶)

在分布式集群中,如何保证相同请求落到相同的机器上,并且后面的集群机器可以尽可能的均分请求,并且当扩容或down机的情况下能对原有集群影响最小。 round robin算法:是把数据mod后直接映射...

李朝强
今天
4
0
Kafka 原理和实战

本文首发于 vivo互联网技术 微信公众号 https://mp.weixin.qq.com/s/bV8AhqAjQp4a_iXRfobkCQ 作者简介:郑志彬,毕业于华南理工大学计算机科学与技术(双语班)。先后从事过电子商务、开放平...

vivo互联网技术
今天
19
0
java数据类型

基本类型: 整型:Byte,short,int,long 浮点型:float,double 字符型:char 布尔型:boolean 引用类型: 类类型: 接口类型: 数组类型: Byte 1字节 八位 -128 -------- 127 short 2字节...

audience_1
今天
9
0
太全了|万字详解Docker架构原理、功能及使用

一、简介 1、了解Docker的前生LXC LXC为Linux Container的简写。可以提供轻量级的虚拟化,以便隔离进程和资源,而且不需要提供指令解释机制以及全虚拟化的其他复杂性。相当于C++中的NameSpa...

Java技术剑
今天
27
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部