Sequentielle Variationsautoencoder für kollaboratives Filtern

Variationale Autoencoder (VAE) haben sich in Bereichen wie Computer Vision und Sprachverarbeitung erfolgreich bewährt. Ihre Anwendung zur Modellierung von Nutzervorlieben ist jedoch noch weitgehend unerforscht, obwohl sie in der aktuellen Literatur zunehmend Beachtung findet. In dieser Arbeit schlagen wir ein Modell vor, das Variationale Autoencoder erweitert, indem es die reichhaltigen Informationen aus der Vergangenheitsgeschichte der Vorlieben nutzt. Wir führen eine rekurrente Version des VAE ein, bei der anstelle eines Teils der gesamten Historie, ohne auf zeitliche Abhängigkeiten zu achten, ein Teil der Konsumsequenz durch ein rekurrentes neuronales Netzwerk geleitet wird. Bei jedem Zeitschritt des RNN wird die Sequenz durch eine Reihe vollständig verbundener Schichten gefüttert, deren Ausgabe die Wahrscheinlichkeitsverteilung der wahrscheinlichsten zukünftigen Vorlieben modelliert. Wir zeigen, dass die Berücksichtigung zeitlicher Informationen entscheidend für die Verbesserung der Genauigkeit des VAE ist: Tatsächlich übertrifft unser Modell den aktuellen Stand der Technik dank seiner Fähigkeit, zeitliche Abhängigkeiten innerhalb der Nutzer-Konsumsequenz mit dem rekurrenten Encoder zu erfassen, während es gleichzeitig die Grundprinzipien von Variationalen Autoencodern beibehält.