解决二元预测中完全及近乎完全冷启动问题的两步学习法
机器学习
2014-05-20 v1
摘要
二元预测方法作用于对象对（二元组），旨在推断样本外二元组的标签。我们考虑二元预测中的完全冷启动和近乎完全冷启动问题，这种情形出现在样本外二元组中的两个对象在训练期间均未被观测到，或者其中一个对象虽被观测到但次数极少。解决该问题的一种流行方法是训练一个基于二元组成对特征表示进行预测的模型，或者在使用核方法的情况下，基于张量积成对核进行预测。作为此类核方法的替代方案，我们提出了一种新颖的两步学习算法，该算法借鉴了成对学习和谱滤波领域的思想。我们从理论上证明，两步法与张量积核方法密切相关，并通过实验表明其能产生略优的预测性能。此外，与现有的张量积核方法不同，两步法允许在完全和近乎完全冷启动设置下，通过交叉验证估计获得训练和参数选择的闭式解，使得该方法更加高效且易于实现。
引用
@article{arxiv.1405.4423,
title = {A two-step learning approach for solving full and almost full cold start problems in dyadic prediction},
author = {Tapio Pahikkala and Michiel Stock and Antti Airola and Tero Aittokallio and Bernard De Baets and Willem Waegeman},
journal= {arXiv preprint arXiv:1405.4423},
year = {2014}
}