基于复合泊松分解的动态协同过滤
机器学习
2016-11-02 v3 人工智能
机器学习
摘要
基于模型的协同过滤分析用户-项目交互，以推断代表用户偏好和项目特征的隐因子，从而预测未来的交互。大多数协同过滤算法假设这些隐因子是静态的，尽管已有研究表明用户偏好和项目感知会随时间漂移。在本文中，我们提出一种基于复合泊松矩阵分解的、共轭且数值稳定的动态矩阵分解（DCPF），其使用 Gamma-Markov 链对平滑漂移的隐因子建模。我们提出了一种数值稳定的 Gamma 链构造，然后给出一种随机变分推断方法来估计模型参数。我们将模型应用于带时间戳的评分数据集：Netflix、Yelp 和 Last.fm，其中 DCPF 取得了比最先进的静态和动态分解模型更高的预测精度。
引用
@article{arxiv.1608.04839,
title = {Dynamic Collaborative Filtering with Compound Poisson Factorization},
author = {Ghassen Jerfel and Mehmet E. Basbug and Barbara E. Engelhardt},
journal= {arXiv preprint arXiv:1608.04839},
year = {2016}
}