تحسين VAEs للتصنيف التعاوني: أولويات مرنة وآليات تمرير

بدأت النماذج القائمة على الشبكات العصبية للتصفية التعاونية بالحصول على اهتمام متزايد مؤخرًا. أحد فروع البحث يعتمد على استخدام النماذج التوليدية العميقة لتمثيل تفضيلات المستخدمين، حيث أظهرت مشغلات التشفير التباينية (Variational Autoencoders) نتائج متميزة على مستوى الحد الأقصى من الأداء. ومع ذلك، توجد بعض السمات التي قد تكون مشكلة في النموذج الحالي لمشغلات التشفير التباينية في مجال التصفية التعاونية. أولًا، البُعد الأولي البسيط جدًا الذي تستخدمه مشغلات التشفير التباينية لتعلم التمثيلات المخفية لتفضيلات المستخدم. ثانيًا، عدم قدرة النموذج على تعلم تمثيلات أعمق باستخدام أكثر من طبقة مخفية واحدة لكل شبكة. يهدف عملنا إلى دمج تقنيات مناسبة للتقليل من المشاكل المذكورة أعلاه في نماذج التشفير التبايني للتصفية التعاونية، وتحسين أداء التوصية بشكل أكبر. ونُعد أول عمل يُطبّق توزيعات أولية مرنة على التصفية التعاونية، ويُظهر أن التوزيعات الأولية البسيطة (المستخدمة في مشغلات التشفير التباينية الأصلية) قد تكون محدودة جدًا لتمثيل تفضيلات المستخدم بشكل كامل، وأن تحديد توزيع أولي أكثر مرونة يؤدي إلى تحسينات كبيرة في الأداء. قمنا بتجريب VampPrior، الذي تم اقتراحه أولًا لغرض توليد الصور، لدراسة تأثير التوزيعات الأولية المرنة في التصفية التعاونية. كما أظهرنا أن دمج VampPriors مع آليات التوجيه (gating mechanisms) يتفوق على أفضل النتائج الحالية (SOTA)، بما في ذلك نموذج التشفير التبايني للتصفية التعاونية، بفارق ملحوظ على مجموعتي بيانات معياريتيتين شهيرتين (MovieLens وNetflix).