出处：AAAI 2019

原文地址：https://arxiv.org/abs/1906.08511

简介

       本文作者第一次将零样本学习(Zero-shot learning,ZSL)和冷启动推荐(Cold-Start Recommendation,CSR)结合到一起。提出了Low-rank Linear AutoEncoder (LLAE)方法， 在两个领域都取得了比前人更好的效果。

LLAE

       先利用W将行为空间X投影到属性空间，在用W的转置将属性空间映射回行为空间。学习一个W，将新用户的属性映射到行为空间，过程中主要有两个关键点：

       一个是低秩。对于ZSL，低秩有助于找出不同类别共享的语义空间。对于CSR，有助于过滤掉伪相关的关系。低秩也可以缓解从行为空间到属性空间域迁移带来的影响。

       另一个是重建，作者提到增加重构可以减少单项映射中一些伪相关的关系，从而避免过拟合。

    作者的下一步工作准备引入Deep AutoEncoder.

 2019.07.22