面向矩阵与张量推荐系统的动态协同过滤
信息检索
2023-12-19 v1 人工智能
摘要
在推荐系统的生产应用中，采用连续数据流来实时更新模型。许多推荐模型通常需要完全重新训练以适应新数据。在这项工作中，我们引入了一种针对序列问题的新型协同过滤模型，称为Tucker积分器推荐系统（TIRecA）。TIRecA仅使用新数据段高效更新其参数，允许增量地将新用户和新物品添加到推荐系统中。为了证明所提出模型的有效性，我们在四个公开数据集上进行了实验：MovieLens 20M、Amazon Beauty、Amazon Toys and Games和Steam。我们在预测质量和计算时间方面与通用的矩阵和张量基线方法进行了比较，结果表明TIRecA达到了与基线方法相当的质量，同时训练速度快10-20倍。
引用
@article{arxiv.2312.10064,
title = {Dynamic Collaborative Filtering for Matrix- and Tensor-based Recommender Systems},
author = {Albert Saiapin and Ivan Oseledets and Evgeny Frolov},
journal= {arXiv preprint arXiv:2312.10064},
year = {2023}
}