Learning Recommender Systems with Deep Structured Low Rank Matrix Approximation
Notice bibliographique
Résumé
Collaborative filtering (CF) is a successful approach in developing recommender systems for many real-world problems.Traditional CF-based methods exploit user-item matrix for learning latent factors to make recommendations.Despite their success, data sparsity and cold start problems limit the efficiency of CF-based methods in learning effective latent factors.A classical approach to address these problems is by taking advantage of user (item) auxiliary information.Due to the natural ability of deep learning in extracting features from multiple sources of data simultaneously, it is the most common technique for integrating rating data and auxiliary information.In spite of the success of deep learning in extracting complex and non-linear features from multiple sources of data, sparsity of auxiliary information degrades the quality of the learned latent factors.Another approach that recently gained much attention in improving the performance of CF-based methods assumes the rating matrix is composed of several local regions within each of which users have similar preferences.In this technique, the rating matrix decomposes into several sub-matrices and is approximated locally.This technique however relies on the rating matrix as the sole source of information for learning, and the sparsity of the rating matrix reduces the effectiveness of the learned latent factors.To address the above problems, we propose a Deep structured LOw Rank Matrix Approximation model (DLORMA) that incorporates additional stacked denoising autoencoders and local matrix approximations in a loosely coupled fashion.To the best of our knowledge, DLORMA is the first hybrid recommendation system that combines deep learning and low rank matrix approximation.Experiments conducted on three real datasets show improvements in prediction performance over the component approaches individually.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».