[阅读笔记]AutoRec: Autoencoders Meet Collaborative Filtering
2017-07-24 12:10
369 查看
introduction
AE之前成功应用在图像和语音上,现在迁移到推荐上模型
传统的AEminθ∑r||r−h(r;θ)||22
AutoRec在传统AE的基础上做了如下变化
- 损失函数只和观察到的元素有关
- 加上正则化项
AutoRec和RBM-CF的区别
- RBM是生成式模型
- RBM通过极大化对数似然来估计参数,AR直接用极小化RMSE
- 训练中,RBM需要用对比散度,AR直接用梯度下降
- RBM只能预测离散分数………待补充
AutoRec和MF的区别
- MF将user和item都embed到隐含空间,item-base AR只embed item
- MF只能学习到线性隐含表示,AR可以通过g(⋅)学到非线性隐含表示
待补充
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- 《AutoRec: Autoencoders Meet Collaborative Filtering》WWW2015 阅读笔记
- 论文阅读笔记：【Transforming Auto-encoders】
- H2O学习笔记（五）——Deep Autoencoders
- 论文笔记001-Stacked Convolutional Auto-Encoders for Hierarchical Feature Extraction
- Deep Learning 阅读笔记：Convolutional Auto-Encoders 卷积神经网络的自编码表达
- 论文笔记(3)-Extracting and Composing Robust Features with Denoising Autoencoders
- iOS AutoLayout阅读笔记1----->Hugging Priority & Compression Resistance Priority
- Extracting and Composing Robust Features with Denoising Autoencoders(经典文章阅读)
- 推荐系统论文阅读——Neural Collaborative Filtering
- (论文阅读笔记1)Collaborative Metric Learning(二)（WWW2017）
- [论文阅读&翻译]Item-to-Item Collaborative Filtering
- 《Item-to-Item Collaborative Filtering》笔记
- Denoising Autoencoder for Collaborative Filtering on Market Basket Data
- 《STL源码剖析》---_auto_ptr.h阅读笔记
- UFLDL 笔记 04 自编码算法与稀疏性 Autoencoders and Sparsity
- iOS AutoLayout阅读笔记2------>子视图固定比例分割父视图的简单实现
- (大卫的阅读笔记)More Effective C++ Item 附2：一个auto_ptr的实现实例
- [论文笔记]Item-based collaborative filtering recommendation algorithms
- 《Item-to-Item Collaborative Filtering》笔记
- 立体匹配文献阅读笔记（三）《Stereo Matching Using Tree Filtering》15年