← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9905.a · 生成模型:Hunyuan

AutoRec自编码器推荐原理

理解等级:初级

AutoRec把协同过滤的共现矩阵和自编码器结合起来:把某个物品被所有用户打的分当成一个向量输入,经过一个参数远少于输入维度的重建函数,输出一个尽量逼近原向量的评分向量。训练完成后,重建函数里压缩了评分分布的精华;由于输出经过泛化不会原样复制输入,未评分的维度就获得了可预测的估计值,这就是它能做推荐的根本原因。它本质上是单隐层自编码器,结构简单、易训练,适合作为深度推荐模型的入门样例。代价是表达能力有限,只能利用评分共现信息,无法纳入用户画像、上下文等更丰富的特征。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《深度学习推荐系统》第3章 浪潮之巅——深度学习在推荐系统中的应用(源文件:extracted/深度学习推荐系统/_epub-src/text/part0007_split_002.html) - 结论依据:原文说明AutoRec利用共现矩阵完成物品或用户向量自编码,并指出泛化过程带来缺失维度的预测能力。 - 原始内容:AutoRec模型是一个标准的自编码器,它的基本原理是利用协同过滤中的共现矩阵,完成物品向量或者用户向量的自编码。再利用自编码的结果得到用户对物品的预估评分,进而进行推荐排序。