一、引
這篇文章提出一種可擴展的因子分解模型，這種模型可以將視覺信號融入到預測器中，該文利用深層網路（CNN）從產品影像中提取視覺特征，進而從中挖掘人們的反饋，這種做法不僅可以使得模型更準確，而且可以緩解冷啟動的問題，
二、已有模型——MF（矩陣分解）
1.以下是基本預測公式：
2.符號說明：
3. 存在的問題：
由于真實世界的資料集的稀疏性，他們仍然面臨著冷啟動的問題，
4.解決思路：
將評級維度劃分為視覺因素和潛在（非視覺）因素，使用顯式特征緩解該問題，
三、VBPR：視覺貝葉斯個性化排名
1.圖片特征通過CNN進行提取，將圖片特征與潛在的特征聯合在一起進行推薦，如下圖所示：
2.偏好預測器模型：
①模型：
②符號說明：
3. 模型實作：
學習一個嵌入內核，將高維特征線性轉換為一個更低維的（比如20個左右）“視覺評級空間”
①嵌入內核公式：
②符號說明：
③評價：
這種嵌入是有效的，因為所有的專案都共享相同的嵌入矩陣，這顯著減少了需要學習的引數的數量
5.VBPR模型公式：
①公式：
②說明：
β'：視覺偏差，與fi的內積相當于用戶對一個給定專案的視覺外觀的整體看法，
四、使用BPR進行模型學習
貝葉斯個性化排序(BPR)是一種采用隨機梯度上升作為訓練程序的成對排序優化框架，
1.個性化排序（BPR-OPT）
2. 當使用矩陣分解作為偏好預測器時（BPR-MF），
定義為
3.學習BPR-MF(更新引數)的方法
η：是學習速率
五、更新引數的方法
1.非視覺引數：
以與BPR-MF相同的形式更新
2.視覺引數
5.實驗：
1.資料集：Amazon.com、Tradesy.com
預處理后的資料集統計資訊
2.基線：
| Random (RAND) | 這個基線會對所有用戶的專案進行隨機排序， |
| Most Popular (MP) | 這個基線根據專案的受歡迎程度對專案進行排序，并且是非個性化的 |
| MM-MF | 兩兩MF模型，該模型對xuij上的鉸鏈排名損失進行了優化，并像在BPR-MF中一樣使用SGA進行訓練， |
| BPR-MF | 隱式反饋資料集的個性化排名 |
| Image-based Recommendation (IBR)（基于影像的推薦服務） | 它學習了一個視覺空間，并檢索與查詢影像風格相似的專案，然后在學習到的視覺空間中通過最近鄰搜索來進行預測， |
3.實驗結果及結論
①
不同資料集的平均AUC結果（共有20個因子）
結論 ：
VBPR在大多數情況下都優于所有基線，
在BPR-MF的基礎上，VBPR對所有專案的BPR-MF平均提高超過12%，對冷啟動提高超過28%，將CNN功能納入我們的排名任務具有顯著好處，
②敏感性
不同維度下的AUC
結論：
隨著因子數量的增加，MM-MF、BPR-MF和VBPR表現得更好，這說明了兩兩方法避免過擬合的能力，
③培訓效率
不斷增加訓練迭代的AUC（在測驗集上）
結論：
我們提出的模型比MM-MF和BPR-MF需要更長的收斂時間，盡管仍然只需要大約3.5個小時的訓練才能在我們最大的資料集（女裝）上收斂，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/426486.html
標籤：AI