超级会员免费看
推荐系统模型：MRVAE与MFIL的深入解析
在推荐系统领域，为了提升推荐性能，研究者们不断探索新的模型和方法。本文将详细介绍两种有代表性的模型：MRVAE和MFIL，分析它们的原理、优势以及实验结果。
MRVAE模型
MRVAE（Multi-Relationship Variational Autoencoder）旨在通过挖掘用户和物品之间更多的关系，来提升Top-N推荐的性能。
模型设置
- 优化器与学习率 ：使用Adam优化器，学习率在[1e - 3, 5e - 4, 1e - 4]范围内调整。
- LightGCN层数 ：LightGCN的图卷积层数在[2, 3, 4]中进行调整。
- MRVAE网络结构 ：为了使MRVAE的参数规模与Mult - VAE相近，使用结构为64 → 64的多层感知机（MLP）作为非线性均值网络。同时，为了简化，将β设为0.8，且不进行KL退火。超参数η在0 - 100之间调整，M在5 - 100之间调整。
性能比较
通过实验，将MRVAE与其他竞争方法进行了对比，结果如表1所示：
| 数据集 | 方法 | Recall | ndcg | Recall | ndcg | Recall </ |
|---|
订阅专栏 解锁全文
扫一扫
62
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
