Kdd 2022 | prise en compte de l'alignement et de l'uniformité des représentations dans le Filtrage collaboratif

Titre de l'article：

Towards Representation Alignment and Uniformity in Collaborative Filtering

Liens vers les articles：

https://arxiv.org/pdf/2206.12811.pdf

Code：

https://github.com/THUwangcy/DirectAU

Cet article se concentre sur la caractérisation des données dans la méthode de filtrage collaboratif,Les recherches actuelles portent principalement sur la conception d'encodeurs plus puissants（Par exemple,Figure réseau neuronal）Pour apprendre à mieux caractériser.Et le manque de CF L'attribut attendu de la caractérisation dans a été étudié,Ceci est utile pour comprendre les CF Justification de la méthodologie et conception de nouveaux objectifs d'apprentissage sont importants.Cet article mesure l'alignement et l'uniformité sur l'Hypersphère CF Qualité de caractérisation en.

• Tout d'abord, il révèle théoriquement BPR Perte et ces deux attributs（Alignement et homogénéité）Le lien entre.
• Typique du point de vue de l'alignement quantitatif et de l'uniformité CF La dynamique d'apprentissage de la méthode a été analysée,Montrer qu'un meilleur alignement ou uniformité peut aider à améliorer les performances recommandées.
• Selon les résultats de l'analyse,Un objectif d'apprentissage est proposé pour optimiser directement ces deux attributs,Appelé DirectAU.