用于评分因子分解的聚类单调变换
信息检索
2019-03-29 v1 机器学习
机器学习
摘要
利用用户-物品评分矩阵的低秩结构一直是许多推荐引擎的关键。然而,现有推荐引擎迫使具有异质行为画像的评分者将其内禀评分尺度映射到通用评分尺度(例如1-5)。这种评分尺度的非线性变换破坏了评分矩阵的低秩结构,从而导致拟合不佳并进而推荐不佳。本文中,我们提出用于评分因子分解的聚类单调变换(Clustered Monotone Transforms for Rating Factorization, CMTRF),一种在未知总体段上对未知单调变换执行回归的新方法。本质上,对于推荐系统,该技术在评分尺度的单调变换中搜索以获得更好拟合。这与一个将用户级评分耦合以利用共享低维结构的底层矩阵分解回归模型相结合。评分尺度变换可为每个用户、一类用户簇或所有用户一次性生成,构成本文提出的三种简单高效算法的基础,它们均在评分尺度变换与矩阵分解回归之间交替。尽管非凸,CMTRF在温和条件下被理论证明能恢复唯一解。在两个合成与七个真实数据集上的实验结果表明CMTRF优于其他最先进的基线。
引用
@article{arxiv.1811.00159,
title = {Clustered Monotone Transforms for Rating Factorization},
author = {Gaurush Hiranandani and Raghav Somani and Oluwasanmi Koyejo and Sreangsu Acharyya},
journal= {arXiv preprint arXiv:1811.00159},
year = {2019}
}
备注
The first two authors contributed equally to the paper. The paper to appear in WSDM 2019