一、基本信息
論文題目：《Collaborative Denoising Auto-Encoders for Top-N Recommender Systems》
發表時間：WSDM 2016
作者及單位：
論文地址：https://dl.acm.org/citation.cfm?id=2835837
二、摘要
大多數現實世界中的推薦服務都是根據向最終用戶顯示的前n個結果來衡量其性能的。因此，在實際應用中，Top-N建議的進展產生了廣泛的影響。在本文中，我們提出了一種新的方法，稱爲協同去噪自動編碼器（CDAE），爲頂N建議，利用去噪自動編碼器的思想。我們證明了所提出的模型是幾個著名的協同過濾模型的一個推廣，但具有更靈活的組件。爲了瞭解CDAE在不同組件設置下的性能，進行了深入的實驗。此外，對多個公共數據集的實驗結果表明，在各種常見的評估指標上，CDAE始終優於最先進的Top-N推薦方法。
三、主要內容與工作
•我們提出了一個新的模型CDAE，該模型使用自動編碼器框架來制定Top-N推薦問題，並從損壞的輸入中學習。與相關方法相比，CDAE在模型定義和目標函數方面都是一種新穎的方法。
•我們證明CDAE是幾種最先進方法的概括，但具有更靈活的結構。
•我們進行了深入的實驗，研究了CDAE中不同組件選擇的影響，並表明CDAE在三個現實數據集上優於最先進的方法。
1、去噪自動編碼器（DAE）擴展了經典自動編碼器，通過訓練從其（部分）損壞的版本x~重新構造每個數據點x。DAE的目標是強制隱藏層發現更健壯的特性，並防止其簡單地學習標識功能。損壞的輸入x~通常來自條件分佈p（x~|x）。常見的損壞選擇是加高斯噪聲和多重掩模輸出/輸出噪聲。在添加有輸出噪聲情況下，一個隨機地用0覆蓋x的每個維度，概率爲q:
，爲了保證無偏性我們令
四、總結
針對Top-N推薦問題，提出了一種協同去噪自動編碼器（CDAE）。CDAE通過使用去噪自動編碼器形成用戶項目反饋數據，學習用戶和項目的分佈式表示。我們對三個數據集進行了一組全面的實驗，以研究模型組件的選擇如何影響性能。我們還將CDAE與其他幾種最先進的頂級N推薦方法進行了比較，結果表明，CDAE在很大程度上優於其他方法。
該模型爲神經網絡在推薦系統中的應用提供了廣闊的前景。這裏我們列出一些可能的方向。
深度神經網絡。本文所採用的神經網絡結構比較簡單。一個簡單的擴展是像在堆疊的DAE中那樣堆疊模型。我們對堆積CDAE的初步實驗沒有顯示出明顯的改善。我們計劃調查原因並努力改進。此外，邊緣化的DAE[3]的思想可能能夠加快培訓並提高性能。考慮將卷積神經網絡和循環神經網絡等其他神經網絡結構應用於該框架也會很有趣。
Feature-aware Recommendation。用戶和項目特性對於生成有語義意義的模型和處理冷啓動問題非常重要。如何結合用戶和項目特徵來改進所提出的模型是值得探索的。
上下文感知建議。在許多應用程序中，將上下文信息（如時間、位置、瀏覽器會話等）合併到推薦過程中可能會有好處，以便在某些情況下向用戶推薦項目。我們在本次工作中留下一些擴展當做將來的工作。