基于张量分解的一致协同过滤
信息检索
2023-07-11 v3 机器学习
机器学习
摘要
协同过滤是分析用户活动并为物品构建推荐系统的实际标准。在这项工作中，我们开发了切片反对称分解（SAD），一种基于隐式反馈的协同过滤新模型。与估计用户（用户向量）和物品（物品向量）潜在表示的传统技术不同，SAD 利用用户-物品交互的新型三阶张量视角，为每个物品引入一个额外的潜在向量。该新向量将标准点积计算的用户-物品偏好推广到一般内积，在评估物品相对偏好时产生物品间的交互。当该向量坍缩为 1 时，SAD 退化为最先进（SOTA）的协同过滤模型，而本文中我们允许其值从数据中估计。允许新物品向量取值异于 1 具有深远影响。它表明用户在评估物品时可能具有非线性心智模型，允许成对比较中存在环。我们在包含超过 1M 用户-物品交互的模拟和真实世界数据集中证明了 SAD 的效率。通过与七个具有隐式反馈的 SOTA 协同过滤模型比较，SAD 产生了最一致的个性化偏好，同时保持了个性化推荐的最高精度水平。我们在 Python 库 https://github.com/apple/ml-sad 中发布了模型和推断算法。
引用
@article{arxiv.2201.11936,
title = {Consistent Collaborative Filtering via Tensor Decomposition},
author = {Shiwen Zhao and Charles Crissman and Guillermo R Sapiro},
journal= {arXiv preprint arXiv:2201.11936},
year = {2023}
}