【论文作者】Quangui Zhang， Longbing Cao，Chengzhang Zhu，Zhiqiang Li，Jinguang Sun
【论文链接】Paper （7-pages // Double column）
【摘要】
非iid推荐系统揭示了推荐的本质，并展示了它在提高推荐质量和解决诸如稀疏和冷启动等问题上的潜力。它利用现有的工作，也就是通常将用户/项目视为独立的，而忽略了用户和物品之间以及用户之间的丰富的耦合性，从而导致性能改善受限。在现实中，用户/物品中存在着用户和物品之间以及用户之间的各种各样的耦合相关，这可能更好地解释用户如何以及为什么对某一物品有个性化的偏好。本论文的工作建立在非iid学习的基础上，提出一种用于协作过滤的神经用户物品耦合学习，称为CoupledCF。CoupledCF在用户和项目之间，在用户/物品属性和深度特性方面，共同学习显式和隐式耦合。在两个真实世界的大型数据集上的实验结果表明，CoupledCF明显优于当前两个最先进的神经推荐：神经矩阵分解和Google的宽深网络。
