SVD-AE: Simple Autoencoders for Collaborative Filtering

协同过滤（CF）方法是推荐系统中被广泛研究的方法，包括矩阵分解、基于自编码器的方法和基于图形过滤的方法。最近，提出了几种几乎不需要训练的轻量级方法以减少总体计算量。然而，现有方法在准确性、效率和鲁棒性之间的权衡仍有改进的空间。特别是，在上述权衡方面，尚无针对平衡的CF进行良好设计的闭式研究。在本文中，我们设计了SVD-AE，一个基于奇异向量分解（SVD）的简单而有效的线性自编码器，其闭式解可以基于CF进行定义。SVD-AE不需要迭代训练过程，因为它的闭式解可以一次性计算出来。此外，鉴于评分矩阵的噪声特性，我们探讨了现有CF方法和我们的SVD-AE对这种噪声交互的鲁棒性。结果表明，我们基于截断SVD的简单设计选择可用于增强推荐的噪声鲁棒性并提高效率。代码可在https://github.com/seoyoungh/svd-ae获得。

本文旨在设计一个简单而有效的基于奇异向量分解（SVD）的线性自编码器SVD-AE，以解决协同过滤（CF）中的平衡问题，即在准确性、效率和鲁棒性之间进行权衡。

SVD-AE利用SVD的闭合形式解决方案，不需要迭代训练过程，能够有效地提高推荐的噪声鲁棒性和计算效率。

SVD-AE是一个简单而有效的解决方案，能够在CF中平衡准确性、效率和鲁棒性。研究人员还探索了现有CF方法和SVD-AE的噪声鲁棒性，并证明了基于截断SVD的简单设计选择可以用于增强推荐的噪声鲁棒性。研究人员还提供了代码，并在多个数据集上进行了实验。

最近的相关研究包括矩阵分解、自编码器和图过滤等方法，以及近期提出的几乎不需要训练的轻量级方法。