基于变分信息瓶颈的距离度量学习模型
信息检索
2024-03-06 v1 人工智能
机器学习
摘要
近年来，个性化推荐技术蓬勃发展，已成为热门研究方向之一。相继提出的矩阵分解模型和度量学习模型得到了广泛研究和应用。后者使用欧几里得距离代替前者使用的点积来度量潜在空间向量。虽然避免了点积的缺点，但忽略了欧几里得距离的假设，导致模型的推荐质量受限。为了解决这一问题，本文首次将变分信息瓶颈与度量学习模型相结合，提出了一种用于评分预测的新度量学习模型 VIB-DML（Variational Information Bottleneck Distance Metric Learning）。该模型通过限制潜在空间特征向量的互信息来提高模型的鲁棒性，并通过解耦潜在空间特征向量来满足欧几里得距离的假设。本文在三个公共数据集上将实验结果与均方根误差（RMSE）进行了比较。结果表明，VIB-DML 具有优异的泛化能力。与通用度量学习模型 MetricF 相比，预测误差降低了 7.29%。最后，本文通过实验证明了 VIB-DML 具有强大的鲁棒性。
引用
@article{arxiv.2403.02794,
title = {A Distance Metric Learning Model Based On Variational Information Bottleneck},
author = {YaoDan Zhang and Zidong Wang and Ru Jia and Ru Li},
journal= {arXiv preprint arXiv:2403.02794},
year = {2024}
}