Aprendizado Profundo Discreto para Recomendação Rápida e Sensível ao Conteúdo

O problema do início a frio e a eficiência da recomendação têm sido considerados dois desafios cruciais no sistema de recomendação. Neste artigo, propomos uma estrutura de aprendizado profundo baseada em hash chamada Aprendizado Profundo Discreto (DDL), para mapear usuários e itens para o espaço de Hamming, onde a preferência de um usuário por um item pode ser calculada de forma eficiente pela distância de Hamming, e esse esquema de computação melhora significativamente a eficiência da recomendação online. Além disso, o DDL unifica a informação de interação usuário-item e a informação de conteúdo do item para superar os problemas de esparsidade de dados e início a frio. Para ser mais específico, para integrar a informação de conteúdo em nossa estrutura DDL, um modelo de aprendizado profundo, Rede de Crença Profunda (DBN), é aplicado para extrair uma representação efetiva do item a partir da informação de conteúdo do item. Além disso, a estrutura impõe restrições de equilíbrio e irrelevância nos códigos binários para derivar códigos binários compactos, mas informativos. Devido às restrições discretas no DDL, propomos um método eficiente de otimização alternada que consiste em resolver iterativamente uma série de subproblemas de programação inteira mista. Extensos experimentos foram realizados para avaliar o desempenho da nossa estrutura DDL em dois conjuntos de dados diferentes da Amazon, e os resultados experimentais demonstram a superioridade do DDL em relação aos métodos de ponta no que diz respeito à eficiência da recomendação online e precisão da recomendação em início a frio.