Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach

要約

タイトル：広範な推薦システム：効率的な非線形協調フィルタリング手法

要約：

– Deep Neural Networks（DNN）は複雑な非線形関係を把握することができるため、最近協調フィルタリング（CF）に広く導入され、より正確な推奨結果を生み出すようになった。
– しかし、DNNベースのモデルは通常、高い計算複雑度を持ち、非常に長いトレーニング時間を必要とするため、大量の学習可能なパラメータの保存が必要になる。
– 上記の問題を解決するために、我々はBLS（Broad Learning System）を用いた新しい広範な協調フィルタリング（BroadCF）を提案し、高い推奨性能を実現しながら上記の問題を回避する。
– しかしながら、元の評価データを直接BLSに入力することはできない。このため、我々はユーザー・アイテムのレーティング協調ベクトル前処理手法を提案して、最も類似したユーザー/アイテムの品質判断を利用した低次元のユーザー・アイテム・入力データを生成することができる。
– 7つのベンチマークデータセットで行われた広範な実験により、提案されたBroadCFアルゴリズムの効果が確認された。

要約(オリジナル)

Recently, Deep Neural Networks (DNNs) have been widely introduced into Collaborative Filtering (CF) to produce more accurate recommendation results due to their capability of capturing the complex nonlinear relationships between items and users.However, the DNNs-based models usually suffer from high computational complexity, i.e., consuming very long training time and storing huge amount of trainable parameters. To address these problems, we propose a new broad recommender system called Broad Collaborative Filtering (BroadCF), which is an efficient nonlinear collaborative filtering approach. Instead of DNNs, Broad Learning System (BLS) is used as a mapping function to learn the complex nonlinear relationships between users and items, which can avoid the above issues while achieving very satisfactory recommendation performance. However, it is not feasible to directly feed the original rating data into BLS. To this end, we propose a user-item rating collaborative vector preprocessing procedure to generate low-dimensional user-item input data, which is able to harness quality judgments of the most similar users/items. Extensive experiments conducted on seven benchmark datasets have confirmed the effectiveness of the proposed BroadCF algorithm

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI