以DAE向量雜訊移除為基礎之新進使用者冷啟動推薦

Abstract

本篇論文主要專注於解決推薦系統中常見的冷啟動使用者問題，我們提出了一種稱為「使用者返老還童」的機制，並且結合深度學習模型Denoising Autoencoder，以此來解決冷啟動使用者問題。首先，「使用者返老還童」機制會為不同使用者族群選出代表該群使用者的商品，我們稱這些選出的商品為「具代表性商品」，接著透過將使用者對於所有商品的評分向量隨機覆蓋大部分的不具代表性商品維度為0分，以及覆蓋小部分的具代表性商品維度為0分後，以此來模擬使用者冷啟動的狀態。當我們得到受「使用者返老還童」機制還原的冷啟動使用者後，接著我們可以為每一群使用者訓練一個深度學習模型Denoising Autoencoder。Denoising Autoencoder具備將受到雜訊干擾的輸入向量還原回未受雜訊干擾的向量，此種特性會有助於將冷啟動狀態的使用者向量還原回一般狀態的使用者。因此，當Denoising Autoencoder模型訓練完成後，模型便有能力把輸入的冷啟動使用者順利還原成富有評分資訊的使用者狀態，並且透過預測出的使用者評分向量來進行推薦。

In our thesis, we focus on the cold start user problem in the field of recommender systems. We propose a mechanism called “User Rejuvenation” and combined it with the deep learning model Denoising Autoencoder to solve the cold start user problem. The “User Rejuvenation” first choose representative items for each group of users, after that we randomly set the dimensions corresponding to representative items in user vector to zero score with lower probability, and we randomly set the dimensions corresponding to non-representative items in user vector to zero score with higher probability. The main purpose for “User Rejuvenation” is to turn the non-cold start user vectors back to cold start user vectors for each group of users. After getting the group-specific cold start user vectors generated from “User Rejuvenation” mechanism, we can use them to train a Denoising Autoencoder model for the user group. When the training process is complete, the model will have capacity for restoring the cold start user vectors to non-cold start user vectors, and the recommendation is made through the predicted non-cold start user vectors.