为什么不在双视图环境中采用协同过滤？将稀疏模型与密集模型相结合

《ACM Transactions on Information Systems》：Why not Collaborative Filtering in Dual View? Bridging Sparse and Dense Models

协同过滤推荐系统在处理冷门项目时存在信号噪声比（SNR） ceiling问题，SaD框架通过融合密集嵌入与稀疏交互模式的双视图对齐机制，既增强语义表达又强化结构可靠性，实验证明其显著优于基线方法，在BarsMatch排行榜中排名第一，代码已开源。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

协同过滤（CF）仍然是现代推荐系统的基石，基于密集嵌入的方法目前占据主导地位。然而，这些方法存在一个关键限制：我们的理论分析揭示了在模拟不受欢迎的项目时存在一个根本的信噪比（SNR）上限，即在数据极度稀疏的情况下，基于参数的密集模型的信噪比会下降。为了克服这一瓶颈，我们提出了 SaD（稀疏与密集），这是一个统一的框架，它将密集嵌入的语义表达能力与稀疏交互模式的结构可靠性相结合。我们从理论上证明了，将这两种视角结合起来可以显著提高整体信噪比。具体来说，SaD 引入了一种轻量级的双向对齐机制：密集视图通过注入语义相关性来丰富稀疏视图，而稀疏视图则通过显式的结构信号来规范密集模型。广泛的实验表明，在这种双视图对齐下，即使是一个简单的矩阵分解风格的密集模型也能达到先进的性能。此外，SaD 是即插即用的，可以无缝应用于各种现有的推荐模型，这突显了从双重视角利用协同过滤时的持久优势。在真实世界基准测试中的进一步评估显示，SaD 一致性地优于强大的基线模型，在 BarsMatch 排名榜上名列前茅。代码可在 https://github.com/harris26-G/SaD 公开获取。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是论文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。