一、基本信息
論文題目：《A Novel Top-N Recommendation Approach Based on Conditional Variational Auto-Encoder》
發表時間：2019 PAKDD
論文作者：
論文地址：
二、摘要
個性化推薦以其商業價值不斷受到關注。最近，變分自動編碼器因其在深度協同過濾中的作用而被用於Top-N推薦。基於模型的協同過濾的主要挑戰是開發有效的潛在因素表示和用戶項目交互記錄。本文提出了一類新的條件變分自動編碼器（CVAES），它利用了相似用戶在購買偏好上傾向於相互關聯的事實。這種類型的條件變量自動編碼器集中學習標籤驗證信號，以確保具有相同標籤的用戶的唯一潛在平均因子。此外，爲了處理複雜的多標籤組合，我們分別學習不同條件屬性的標籤，然後合併來自多個預測池的結果，從而使用分割合併框架擴展模型。對兩個reallife數據集進行了廣泛的實驗，以模擬基於用戶和基於項目的推薦方案。與現有方法相比，實驗結果是有利的。
三、主要內容與工作
1、引入側信息已被證明是有效的可以改進推薦性能的方法，但關於如何將側信息融合進模型，目前這方面的研究很少。此外，現實場景中我們往往會有多個標籤，隨着標籤聚集，我們需要處理的維數也在增加，如何將這些標籤聚合並提升性能也是一個巨大的挑戰。
爲了解決第一個問題，我們提出了一個新的CVAE模型用於輸出表示學習和標籤驗證。換句話說，高維輸出空間的分佈被建模爲一個以輸入觀測爲條件的生成部分，而標籤驗證迫使我們的模型在潛在平均子空間中區分和聚類相似的用戶。此外，針對第二個問題，提出了一種分割合併框架，利用CVAE的生成特性和打包思想。我們通過屬性來區分條件標籤，並訓練多個模型。每個子模型從不同的角度理解任務，但所有子模型都能以大致相同的精度生成預測。然後我們從預測池中隨機選取結果，並進行合併以進一步改進。
2、本文的貢獻主要有三點：
–我們提出了一個新的解決方案，通過引入標籤驗證來學習CVAE，其中潛在平均因子的投影顯示我們的模型成功地爲具有相同標籤的用戶學習了密切表示。
–通過進一步的性能改進，我們展示了我們的分離合並框架在處理複雜條件組合方面的效果。
–我們通過兩個現實數據集模擬基於用戶和基於項目的建議，並對其進行評估。
3、
4、推薦系統的傳統工作集中在明確的反饋和評級預測上。隨着個性化推薦技術的發展，研究者逐漸認識到隱式反饋數據和Top-N推薦在實際應用中的重要性[2,15,19]。越來越多的工作[3,20]應用深度神經網絡對數據的潛在非線性進行建模，從手工提取特徵到直接從原始輸入中學習特徵。自動編碼器是一種用於無監督學習的有效數據表示的神經網絡。[17]源於自動編碼器在視覺和語音任務中的成功，研究者將其應用於推薦中的協同過濾。後來[19]又將通自動編碼器擴展以進行去噪工作，並應用在Top-N任務中，根據結果測量其性能。[21]通過將側邊信息混合在一起的自動編碼器框架應用於電影推薦時，顯示出對傳統方法的顯著改進。
變分自動編碼器可以看作是自動編碼器的一種變體，它對潛在變量的分佈作出了強有力的假設。[10–12]是基於可變自動編碼器的協同過濾方法，也是我們最相關的研究。[11]考慮多媒體場景中明確評級和內容的影響。在這項工作的啓發下，我們注意到變分自動編碼器可以在推薦中進行擴展，並且側邊信息可以幫助提高推薦質量。然後[10]提出了多變量協同過濾處理輔助信息的方法。然而，它主要集中在如何通過增廣結構來包含變分自動編碼器，而不考慮輔助信息可以更優雅地使用。[12]着重於似然函數的選取和正則化超參數整定研究。雖然對於帶隱式反饋的Top-N推薦的變分自動編碼器的研究是最新的，但它仍然留下了對條件變分自動編碼器模型的研究。
四、總結
提出了一種基於多條件標籤的擴展變分自動編碼器推薦框架。側邊信息被巧妙地融入到條件變量自動編碼器中，然後採用分割合併框架進一步提高推薦性能。與簡單地堆疊網絡層不同，我們利用這些條件標籤作爲優化目標的一部分，以幫助模型區分和集羣潛在子空間中的用戶和項目。兩個公共數據集的實驗結果表明了這種效果。今後，我們將研究聯合訓練，以減少時間消耗。