摘要

推荐系统通常基于高维稀疏的用户-物品矩阵进行运作。在该场景下，基于数百万用户各自仅浏览过数千个物品中的极小子集，预测某位用户兴趣的矩阵补全任务极具挑战性。为此，我们提出一种基于全局-局部核函数的矩阵补全框架，命名为GLocal-K，旨在将高维稀疏的用户-物品矩阵映射至低维空间，并提取少量关键特征以实现有效表征。我们的GLocal-K框架可分为两个主要阶段。首先，我们利用局部核化权重矩阵对自编码器进行预训练，该过程通过二维径向基函数（2D-RBF）核将原始数据从输入空间映射至特征空间。随后，在第二阶段，我们使用基于卷积的全局核所生成的评分矩阵对预训练的自编码器进行微调，该全局核能够捕捉每个物品的全局特征。我们在极端低资源环境下评估了所提出的GLocal-K模型，仅依赖用户-物品评分矩阵，不使用任何辅助信息（side information）。实验结果表明，该模型在三个协同过滤基准数据集——ML-100K、ML-1M和Douban上均显著优于当前最先进的基线方法。