协同过滤(CF)作为推荐系统的一种基本方法，通常建立在具有可学习参数的潜在因子模型上，预测用户对产品的偏好。但是，为给定的数据设计适当的CF模型并不容易，因为数据集的属性是高度多样化的。在本文中，基于自动机器学习(AutoML)的最新进展，我们提出利用AutoML技术设计一个数据特定的CF模型。这里的关键是一个新的框架，它将最先进的CF方法统一起来，并将它们划分为输入编码、嵌入函数、交互函数和预测函数等不相交的阶段。我们进一步开发了一种易于使用、健壮和高效的搜索策略，它利用随机搜索和性能预测器在上述框架内进行高效搜索。通过这种方式，我们可以从SOTA模型中组合概括出文献中没有访问过的特定于数据的CF模型。在五个真实数据集上的大量实验表明，对于各种CF任务，我们的方法可以持续优于SOTA方法。进一步的实验验证了所提框架的合理性和搜索策略的有效性。搜索的CF模型还可以为将来探索更有效的方法提供见解。
https://www.zhuanzhi.ai/paper/9f6f6b9ea06d5249f6a1e91d9635a429
成为VIP会员查看完整内容
Efficient Data-specific Model Search for Collaborative Filtering
相关内容
协同过滤（英语：Collaborative Filtering），简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人透过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。协同过滤又可分为评比（rating）或者群体过滤（social filtering）。其后成为电子商务当中很重要的一环，即根据某顾客以往的购买行为以及从具有相似购买行为的顾客群的购买行为去推荐这个顾客其“可能喜欢的品项”，也就是借由社群的喜好提供个人化的信息、商品等的推荐服务。除了推荐之外，近年来也发展出数学运算让系统自动计算喜好的强弱进而去芜存菁使得过滤的内容更有依据，也许不是百分之百完全准确，但由于加入了强弱的评比让这个概念的应用更为广泛，除了电子商务之外尚有信息检索领域、网络个人影音柜、个人书架等的应用等。
相关VIP内容
相关资讯
相关论文
微信扫码咨询专知VIP会员