摘要

近期研究表明，基于深度神经网络的自编码器在协同过滤任务中具有显著优势。特别是最近提出的Mult-VAE模型，采用多项式似然变分自编码器（variational autoencoders），在Top-N推荐任务中取得了优异性能。在本研究中，我们提出了Recommender VAE（RecVAE）模型，该模型源于我们在变分自编码器正则化技术方面的深入探索。RecVAE在Mult-VAE基础上引入了多项创新：一是设计了一种新颖的复合先验分布用于潜在编码；二是提出了一种新的方法来设定β-VAE框架中的β超参数；三是采用基于交替更新的新型训练策略。在实验评估中，我们验证了RecVAE在经典协同过滤数据集上显著优于此前提出的各类基于自编码器的推荐模型，包括Mult-VAE和RaCT，并通过详尽的消融实验系统评估了各项新设计的有效性。相关代码与模型已开源，地址为：https://github.com/ilya-shenbin/RecVAE。