面向大规模无向加权网络的无约束对称非负隐因子分析
机器学习
2022-08-10 v1
摘要
大规模无向加权网络常见于大数据相关研究领域。它可自然地量化为一个对称高维不完全（SHDI）矩阵，以实施大数据分析任务。对称非负隐因子分析（SNL）模型能够高效地从 SHDI 矩阵中提取隐因子（LFs）。然而它依赖于约束组合训练方案，导致其缺乏灵活性。为解决此问题，本文提出一种无约束对称非负隐因子分析（USNL）模型。其主要思想包含两方面：1）通过将对非负映射函数集成到 SNL 模型中，将输出 LFs 与决策参数分离；2）采用随机梯度下降（SGD）实施无约束模型训练，同时确保输出 LFs 的非负性。基于真实大数据应用生成的四个 SHDI 矩阵的实证研究表明，USNL 模型相比 SNL 模型取得了更高的缺失数据预测精度，以及极具竞争力的计算效率。
引用
@article{arxiv.2208.04811,
title = {An Unconstrained Symmetric Nonnegative Latent Factor Analysis for Large-scale Undirected Weighted Networks},
author = {Zhe Xie and Weiling Li and Yurong Zhong},
journal= {arXiv preprint arXiv:2208.04811},
year = {2022}
}