一种用于高维稀疏数据的差分进化增强隐因子分析模型
机器学习
2022-04-19 v2
摘要
高维稀疏（HiDS）矩阵常被用来描述各种大数据相关系统和应用中的复杂关系。位置转移隐因子分析（PLFA）模型能够准确且高效地表示 HiDS 矩阵。然而，其涉及的隐因子通过随机梯度下降按特定梯度方向逐步优化，可能导致次优解。为解决此问题，本文提出一种序列组差分进化（SGDE）算法来精炼由 PLFA 模型优化的隐因子，从而获得针对 HiDS 矩阵的高精度 SGDE-PLFA 模型。在四个 HiDS 矩阵上的实验表明，SGDE-PLFA 模型优于当前最先进的模型（SOTA）。
引用
@article{arxiv.2204.00861,
title = {A Differential Evolution-Enhanced Latent Factor Analysis Model for High-dimensional and Sparse Data},
author = {Jia Chen and Di Wu and Xin Luo},
journal= {arXiv preprint arXiv:2204.00861},
year = {2022}
}