一种用于时变二值过程的协作卡尔曼滤波
机器学习
2015-01-23 v1 机器学习
摘要
我们提出了协作卡尔曼滤波 (CKF)，这是一种用于协同过滤及相关分解模型的动态模型。利用矩阵分解方法进行协同过滤，CKF 通过将每个低维潜在嵌入建模为多维布朗运动来考虑时间演化。每个观测值都是一个随机变量，其分布由该时刻相关布朗运动的点积参数化。这自然被解释为具有多个相互作用状态空间向量的卡尔曼滤波。我们还提出了一种方法，通过将漂移参数建模为几何布朗运动来学习每个位置的动态演化漂移参数。我们通过平均场变分近似处理后验不可行性问题，这也以类似于卡尔曼滤波的方式保持了下游计算的可处理性。我们在几个大型数据集上评估了该模型，提供了对 1000 万条 Movielens 数据和 1 亿条 Netflix 数据的定量评估，以及对 1962-2014 年间约 6,500 家公司的 3900 万条股票回报集的定性评估。
引用
@article{arxiv.1501.05624,
title = {A Collaborative Kalman Filter for Time-Evolving Dyadic Processes},
author = {San Gultekin and John Paisley},
journal= {arXiv preprint arXiv:1501.05624},
year = {2015}
}
备注
Appeared at 2014 IEEE International Conference on Data Mining (ICDM)