一、基本信息
论文题目：《Expanded autoencoder recommendation framework and its application in movie recommendation 》
发表时间：SKIMA 2016
作者及单位：
论文地址：https://ieeexplore.ieee.org/document/7916236
二、摘要
自动推荐已经成为一个流行的研究领域：它允许用户发现符合他们口味的商品。本文提出了一个扩展的自动编码器推荐框架。采用叠加自编码模型提取输入特征，然后对输入进行重构，完成推荐。然后将项目和用户的侧边信息融合到框架中，利用基于Huber函数的正则化方法提高推荐性能。建议的推荐框架适用于电影推荐。在公共数据库中进行的定量评估实验结果表明，与传统方法相比，该方法有了显著的改进。
三、主要内容与工作
1、在模型CF方法中，由于数据的稀疏性，正则化项是一个重要的元素。在常用方法中，采用F范数作为正则化项。但基于F范数的正则化可能会带来一些麻烦，因此寻求一种新的正则化方法似乎是必要的。
2、为了将侧边信息纳入基于DL的推荐框架，提出了监督神经推荐（SNR）模型。并利用基于Huber函数的正则化方法克服了信噪比常见正则化方法的不足。
3、
4、Huber function based regularization
5、基于Huber函数的正则化在图像处理领域有着许多重要的成就。基于Huber函数的正则化对数据分布更为适应，对数据集中的异常值不太敏感。因此在SNR中，采用Huber函数对解进行正则化，如上图所示。
四、总结
本文提出了一种扩展的自编码推荐框架监督神经推荐（SNR）。采用叠加自编码模型提取输入特征，然后对输入进行重构，完成推荐。然后将项目和用户的侧边信息融合到框架中，采用基于Huber函数的正则化方法提高推荐性能。本文提出的推荐框架的主要新颖之处在于利用侧边信息扩展了自编码推荐框架。该算法在公共数据集上进行了验证。结果表明，我们的推荐框架比最新的推荐方法具有更好的性能。我们相信，未来将出现越来越多的基于深度学习的推荐方法。虽然本文所考虑的应用是电影推荐，但这种方法更适用于新闻推荐等。