用于推荐系统与社区检测的耦合图与张量分解
机器学习
2019-05-31 v2 机器学习
社会与信息网络
信号处理
摘要
对来自多个信息库的数据进行联合分析有助于揭示异构数据集中的底层结构。单矩阵与耦合矩阵-张量分解（CMTF）已在此背景下广泛用于基于填充的来自评分、社交网络及其他用户-项目数据的推荐。当此类侧信息以项目-项目相关矩阵或图的形式出现时，现有的 CMTF 算法可能有所不足。为缓解当前局限，我们提出了一种称为耦合图-张量分解（CGTF）的新颖模型，其审慎地考虑了图相关的侧信息。CGTF 模型有潜力克服实际挑战，例如张量中缺失的切片和/或相关矩阵中缺失的行/列。我们还开发了一种新颖的乘子交替方向法（ADMM）来恢复 CGTF 的非负因子。我们的算法具有闭式更新，降低了计算复杂度并允许给出收敛性断言。通过利用可解释的因子来检测以张量为侧信息的图社区，我们进一步探索了一个新方向。所得到的社区检测方法即使图中某些链接缺失也能成功。基于真实数据集的结果证实了所提方法相对于最先进竞争分解技术在提供推荐与检测社区方面的优越性。
引用
@article{arxiv.1809.08353,
title = {Coupled Graphs and Tensor Factorization for Recommender Systems and Community Detection},
author = {Vassilis N. Ioannidis and Ahmed S. Zamzam and Georgios B. Giannakis and Nicholas D. Sidiropoulos},
journal= {arXiv preprint arXiv:1809.08353},
year = {2019}
}
备注
This paper is submitted to the IEEE Transactions on Knowledge and Data Engineering. A preliminary version of this work was accepted for presentation in the special track of GlobalSIP on Tensor Methods for Signal Processing and Machine Learning