协同残差度量学习

在协同过滤中，距离度量学习已应用于矩阵分解技术并取得了良好效果。然而，矩阵分解缺乏捕捉协同信息的能力，近期研究已指出这一点，并通过将用户交互解释为信号加以改进。本文旨在探明度量学习如何与这些基于信号的模型相关联。通过采用广义距离度量，我们发现，在基于信号的模型中，估计距离的残差（即用户到目标物品与到另一物品的距离之差）比估计距离本身更容易。进一步分析还揭示了交互信号归一化强度与推荐新颖性之间的关联，这是已有研究忽视的。基于上述发现，我们提出一种新模型，通过学习广义距离的用户-物品距离度量，对距离残差建模以捕捉交互信号中的用户偏好。所提CoRML模型随后通过新引入的近似排序权重在训练效率上进一步提升。在4个公开数据集上的大量实验表明，CoRML在协同过滤中相较SOTA基线具有更优性能，且效率高并能提供新颖性提升的推荐，为基于度量学习的推荐系统研究提供了新视角。