基于盒嵌入实现面向集合论约束的个性化推荐几何方法
信息检索
2025-02-18 v1 人工智能
机器学习
摘要
个性化物品推荐通常面临数据稀疏问题，这常通过低秩矩阵分解学习用户和物品的向量表示来缓解。虽然这种方法有效地稠密化矩阵，假设用户和电影可由线性相关的潜在特征表示，却无法捕捉更复杂的相互作用。例如，向量表示在处理集合论关系（如否定与交集）时显得力不从众，例如推荐“ comedy and action, 但不 romance ”的电影。本文将个性化物品推荐问题形式化为行间存在集合论依赖关系的矩阵完成问题。为捕捉这种集合论依赖，我们表示每个用户和属性为一个超矩形或盒子（即区间笛卡尔积）。盒嵌入可直观理解为可训练的韭道图，从而不仅本质上表示相似性（通过 Jaccard 指数），而且天然且忠实地支持任意集合论关系。涉及集合论约束的查询可通过在表示空间中执行几何运算直接高效计算。我们在简单与复杂物品推荐查询上通过实验，展示了盒嵌入相对于基于向量的神经方法在整体性能上提升最高可达 30%。
引用
@article{arxiv.2502.10875,
title = {A Geometric Approach to Personalized Recommendation with Set-Theoretic Constraints Using Box Embeddings},
author = {Shib Dasgupta and Michael Boratko and Andrew McCallum},
journal= {arXiv preprint arXiv:2502.10875},
year = {2025}
}