面向隐式反馈学习的通用坐标下降框架
信息检索
2016-11-16 v1 机器学习
摘要
近年来，推荐系统研究的兴趣已从显式反馈转向隐式反馈数据。针对各种应用，人们提出了多种多样的复杂模型。尽管如此，从隐式反馈中学习在计算上仍然具有挑战性。迄今为止，大多数工作依赖于随机梯度下降（SGD）求解器，这些求解器易于推导，但在实践中难以应用，尤其是对于涉及大量物品的任务。对于简单的矩阵分解模型，此前已提出一种高效的坐标下降（CD）求解器。然而，对于更复杂的模型，尚未推导出高效的坐标下降方法。在本文中，我们提供了一个新的框架，用于为复杂的推荐模型推导高效的坐标下降算法。我们识别并引入了k-可分离模型的性质。我们证明，k-可分离性是允许使用坐标下降法高效优化隐式推荐问题的充分性质。我们在包括因子分解机和Tucker分解在内的多种前沿模型上展示了该框架。总而言之，我们的工作为复杂推荐模型推导高效的隐式坐标下降算法提供了理论和构建模块。
引用
@article{arxiv.1611.04666,
title = {A Generic Coordinate Descent Framework for Learning from Implicit Feedback},
author = {Immanuel Bayer and Xiangnan He and Bhargav Kanagal and Steffen Rendle},
journal= {arXiv preprint arXiv:1611.04666},
year = {2016}
}