Verbesserung von VAEs für Collaborative Filtering: Flexible Priors und Gating-Mechanismen

Neural network-basierte Modelle für Collaborative Filtering haben in letzter Zeit zunehmend Aufmerksamkeit erlangt. Ein Forschungszweig beruht auf der Verwendung tiefer generativer Modelle zur Modellierung von Nutzerpräferenzen, wobei sich Variational Autoencoders (VAEs) als besonders leistungsfähig erwiesen haben. Dennoch weisen die derzeitigen VAEs für Collaborative Filtering einige potenziell problematische Eigenschaften auf. Erstens ist die Annahme eines zu einfachen a priori-Verteilung, die VAEs zur Lernung latenter Darstellungen von Nutzerpräferenzen verwenden. Zweitens ist das Modell nicht in der Lage, tiefere Darstellungen mit mehr als einer versteckten Schicht in jeder Netzwerkkomponente zu erlernen. Ziel unserer Arbeit ist es, geeignete Techniken einzuführen, um die oben genannten Probleme bei VAEs im Bereich des Collaborative Filtering zu mildern und die Empfehlungsleistung weiter zu verbessern. Unser Ansatz ist der erste, flexiblere a priori-Verteilungen im Kontext des Collaborative Filtering einzusetzen und zu zeigen, dass einfache a priori-Verteilungen (wie in den ursprünglichen VAEs) möglicherweise zu restriktiv sind, um Nutzerpräferenzen vollständig zu modellieren. Eine flexiblere a priori-Verteilung führt hingegen zu signifikanten Leistungssteigerungen. Wir testen die VampPrior, ursprünglich für die Bildgenerierung entwickelt, um den Einfluss flexibler a priori-Verteilungen im Bereich des Collaborative Filtering zu untersuchen. Zudem zeigen wir, dass VampPriors, kombiniert mit Gating-Mechanismen, die state-of-the-art-Ergebnisse, einschließlich des Variational Autoencoders für Collaborative Filtering, auf zwei gängigen Benchmark-Datensätzen (MovieLens und Netflix) deutlich übertreffen.