GLocal-K: Globale und lokale Kerne für Empfehlungssysteme

Empfehlungssysteme operieren typischerweise auf hochdimensionalen, sparsen Nutzer-Item-Matrizen. Die Matrix-Vervollständigung stellt eine äußerst herausfordernde Aufgabe dar, um Interessen basierend auf Millionen von Nutzern vorherzusagen, die jeweils nur eine kleine Teilmenge von Tausenden von Artikeln gesehen haben. Wir schlagen einen global-lokalen, kernelbasierten Rahmen für die Matrix-Vervollständigung vor, namens GLocal-K, der darauf abzielt, eine hochdimensionale, sparsche Nutzer-Item-Matrix in einen niedrigdimensionalen Raum mit einer geringen Anzahl bedeutender Merkmale zu generalisieren und darzustellen. Unser GLocal-K-Modell lässt sich in zwei Hauptphasen unterteilen. Zunächst wird ein Autoencoder mittels der lokalen, kernelisierten Gewichtsmatrix vortrainiert, die die Daten durch Verwendung eines 2D-RBF-Kernels von einem Raum in den Merkmalsraum transformiert. Anschließend wird der vortrainierte Autoencoder mit der Bewertungsmatrix fine-tuned, die durch einen auf Faltungsoperationen basierenden globalen Kernel generiert wird und die Eigenschaften jedes Artikels erfasst. Wir wenden unser GLocal-K-Modell unter extremen Ressourcenbedingungen an, die lediglich eine Nutzer-Item-Bewertungsmatrix enthalten, ohne zusätzliche Seiteninformationen. Unser Modell übertrifft die state-of-the-art-Baselines auf drei Benchmark-Datenbanken für kollaboratives Filtern: ML-100K, ML-1M und Douban.