一种基于潜在不变约束的简洁可扩展张量补全推荐算法
信息检索
2022-07-05 v2 人机交互
机器学习
最优化与控制
摘要
本文从任何合理解都应满足的基本属性出发,给出推荐系统(RS)问题的潜变量表述与求解。具体而言,我们研究了一种新颖的张量补全方法,以高效且准确地学习用户评分背后不可观测个人偏好模型的参数。通过对张量分解施加单一潜在不变性正则化,我们为可靠的推荐系统实现了三个性质:(1) 在最小假设下张量补全结果的唯一性,(2) 独立于用户任意偏好的单位一致性,以及 (3) 在观测与未观测评分间提供一致排序的共识排序保证。我们的算法形成了一个简洁优雅的推荐框架,具有线性计算复杂度且无需超参数调优。我们提供的实证结果表明,该方法显著优于当前最优方法。
引用
@article{arxiv.2206.13355,
title = {A Simple and Scalable Tensor Completion Algorithm via Latent Invariant Constraint for Recommendation System},
author = {Tung Nguyen and Sang T. Truong and Jeffrey Uhlmann},
journal= {arXiv preprint arXiv:2206.13355},
year = {2022}
}