一种用于上下文感知移动应用推荐的宽度学习方法
信息检索
2017-09-13 v1
摘要
随着移动应用的快速发展，应用商店中大量移动应用的存在给用户定位合适应用带来了挑战。为用户提供准确的移动应用推荐成为一项迫切任务。传统方法主要关注学习用户偏好和应用特征以预测用户-应用评分。然而，它们大多未考虑应用上下文信息之间的交互。为解决此问题，我们提出了一种用于上下文感知应用推荐与张量分析（CATA）的宽度学习方法。具体地，我们利用基于张量的框架有效整合用户偏好、应用类别信息和多视图特征，以提升应用评分预测的性能。采用多维结构来捕获多个应用类别与多视图特征之间的隐藏关系。我们开发了一种高效的分解方法，应用 Tucker 分解来学习多个类别和特征内的全阶交互。此外，我们采用组 -范数正则化来学习每个视图相对于每个应用类别的组级特征重要性。在两个真实世界移动应用数据集上的实验证明了所提方法的有效性。
引用
@article{arxiv.1709.03621,
title = {A Broad Learning Approach for Context-Aware Mobile Application Recommendation},
author = {Tingting Liang and Lifang He and Chun-Ta Lu and Liang Chen and Philip S. Yu and Jian Wu},
journal= {arXiv preprint arXiv:1709.03621},
year = {2017}
}