基於深度學習之多目標推薦系統研發(2/3)

本計畫將利用深度學習的技術改善傳統矩陣分解推薦模型的先天限制，並建構多目標的推薦引擎。矩陣分解推薦技術至少存在以下幾個問題：1. 矩陣分解推薦模型假設每個隱性特徵的權重相同，這不見得符合真實狀況。2. 矩陣分解推薦模型假設每個隱性特徵彼此獨立，這不見得符合真實狀況。3. 矩陣分解推薦模型設使用者與物品的隱性特徵向量長度相同，這不見得是最佳的編碼方式。4. 以內積決定使用者與商品間的關係可能過度簡化這兩者的互動。我們考慮使用更高維度的運算表示兩者間的關係，可能的方式如：深度學習、核方法等。本研究將利用深度學習的架構來建置推薦模型，放寬上述的幾項限制。針對上述第一點，我們已經有初步的想法使每個隱性特徵具備不同的權重。初步驗證顯示：新方法在公開測試資料集上的 RMSE 優於其他矩陣分解模型。矩陣分解除了在推薦系統上，還有許多其他應用，如：預測社群網路的新連結、為機器學習的缺失特徵值進行補值、圖片壓縮等。本研究放寬傳統矩陣分解的限制，因此同樣能應用到這些領域，同時，由於新模型更具一般性，將可能讓這些應用呈現更好的效果。