EASE をスケールするように修正したもの.
EASE にグラム行列 \((X^t X)\) の逆行列を計算する必要がある. 空間計算量がでかすぎる. 近似で効率的に見つけることにする. またスパースなニューラルネットワークモデルで構築することで推論もめちゃ速い.
user-item のインタラクション行列 \(X\) を用意したら, 正則化付きのグラム行列
\[A = X^t X + \lambda I\]を持ってきて,
\[P = A^{-1}\]を計算する. これをちょろっと後処理して行列 \(B\) を作る. \(B\) は対角成分が \(0\) な正方行列で, item に関する autoencoder になっている. \(X B\) を計算することでレコメンド予測として機能する.
上述の \(P=A^{-1}\) を近似的に見つけることをやる.
SANSA は得られる \(K^t D^{-1} K\) から, encoder-layer \(W^t\) と decoder-layer \(Z\) の２つを作る.
最終的に \(B \approx W^t Z\) として, EASE の \(B\) を近似する.