Peinlich Flache Autoencoder für Sparse Daten

Indem wir einfache Elemente aus der Literatur kombinieren, definieren wir ein lineares Modell, das auf dünn besetzte Daten abgestimmt ist, insbesondere auf implizites Feedback-Daten für Empfehlungssysteme. Wir zeigen, dass das Trainingsziel dieses Modells eine geschlossene Form hat, und diskutieren die daraus resultierenden konzeptionellen Erkenntnisse. Überraschenderweise erreicht dieses einfache Modell eine bessere Rangfolgegenauigkeit als verschiedene state-of-the-art Kollaborative-Filtering-Ansätze, einschließlich tiefer nicht-linearer Modelle, bei den meisten öffentlich zugänglichen Datensätzen, die in unseren Experimenten verwendet wurden.