Autoencodeurs variationnels pour le filtrage collaboratif

Nous étendons les autoencodeurs variationnels (VAEs) au filtrage collaboratif pour les retours implicites. Ce modèle probabiliste non-linéaire nous permet de dépasser la capacité limitée de modélisation des modèles linéaires à facteurs, qui dominent encore largement la recherche en filtrage collaboratif. Nous introduisons un modèle génératif avec une vraisemblance multinomiale et utilisons l'inférence bayésienne pour l'estimation des paramètres. Bien que largement utilisée dans la modélisation linguistique et l'économie, la vraisemblance multinomiale reçoit moins d'attention dans la littérature sur les systèmes de recommandation. Nous introduisons un paramètre de régularisation différent pour l'objectif d'apprentissage, qui s'avère crucial pour atteindre des performances compétitives. Remarquablement, il existe une méthode efficace pour ajuster ce paramètre en utilisant le recuit (annealing). Le modèle et l'algorithme d'apprentissage résultants ont des liens informationnels avec la discrimination à entropie maximale et le principe du goulot d'étranglement informationnel. Sur le plan empirique, nous montrons que l'approche proposée surpasse significativement plusieurs baselines de pointe, y compris deux approches récentes basées sur les réseaux neuronaux, sur plusieurs jeux de données réels. Nous fournissons également des expériences étendues comparant la vraisemblance multinomiale avec d'autres fonctions de vraisemblance couramment utilisées dans la littérature du filtrage collaboratif à facteurs latents, montrant des résultats favorables. Enfin, nous identifions les avantages et les inconvénients de l'utilisation d'une approche d'inférence bayésienne fondée sur des principes et caractérisons les configurations où elle apporte les améliorations les plus significatives.