Autoencodeur Récurrent Collaboratif : Recommander tout en Apprenant à Remplir les Blanks

Les méthodes hybrides qui utilisent à la fois des informations de contenu et de notation sont couramment utilisées dans de nombreux systèmes de recommandation. Cependant, la plupart d'entre elles utilisent soit des caractéristiques élaborées manuellement, soit la représentation par sac de mots comme substitut des informations de contenu, mais elles ne sont ni efficaces ni naturelles. Pour résoudre ce problème, nous développons un autoencodeur récurrent collaboratif (CRAE) qui est un autoencodeur récurrent de débruitage (DRAE) modélisant la génération de séquences de contenu dans le cadre du filtrage collaboratif (CF). Le modèle généralise les avancées récentes dans l'apprentissage profond récurrent d'entrées i.i.d. à des entrées non i.i.d. (basées sur CF) et fournit un nouveau schéma de débruitage ainsi qu'un nouveau schéma de pooling apprenable pour l'autoencodeur récurrent. Pour ce faire, nous développons d'abord un modèle bayésien hiérarchique pour le DRAE, puis nous le généralisons au cadre CF. La synergie entre le débruitage et le CF permet au CRAE de faire des recommandations précises tout en apprenant à remplir les blancs dans les séquences. Des expériences sur des ensembles de données du monde réel provenant de différents domaines (CiteULike et Netflix) montrent qu'en modélisant conjointement la génération sensible à l'ordre des séquences pour les informations de contenu et en effectuant du CF pour les notations, le CRAE est capable de surpasser significativement l'état de l'art tant sur la tâche de recommandation basée sur les notations que sur la tâche de génération de séquences basée sur les informations de contenu.