非独立同分布环境下的耦合矩阵分解
信息检索
2014-12-08 v2
摘要
推荐系统研究经历了从用户偏好理解到内容分析等不同阶段。典型的推荐算法建立在以下基础上：(1) 假设用户和物品是独立同分布的 (IID)；(2) 关注特定方面，如用户偏好或内容。实际上，复杂的推荐任务涉及并要求：(1) 个性化结果以适配异质的主观偏好；(2) 将用户、物品和评分之间显式与隐式的客观耦合关系视为驱动偏好的内在力量。这不可避免地涉及非独立同分布 (non-IID) 的复杂性，以及将主观偏好与推荐应用中隐藏的客观耦合相结合的需求。本文通过引入用户与物品之间的非独立同分布耦合关系，提出了一种新颖的通用耦合矩阵分解 (CMF) 模型。这种耦合整合了属性内的内部耦合交互和不同属性间的外部耦合交互。在两个公开数据集上的实验结果表明，用户/物品耦合可以有效地应用于推荐系统，且 CMF 优于基准方法。
引用
@article{arxiv.1404.7467,
title = {Coupled Matrix Factorization within Non-IID Context},
author = {Fangfang Li and Guandong Xu and Longbing Cao},
journal= {arXiv preprint arXiv:1404.7467},
year = {2014}
}
备注
12 pages submitted to PAKDD 2015