动态泊松分解
机器学习
2015-09-16 v1 信息检索
机器学习
摘要
推荐系统模型使用隐因子来解释用户对一组项目（例如电影、书籍、学术论文）的偏好和行为。通常，隐因子被假设为静态的，并且给定这些因子，观察到的用户偏好和行为被假设为无序生成。这些假设限制了此类模型的探索和预测能力，因为用户的兴趣和项目的流行度可能随时间演变。为了解决这个问题，我们提出了 dPF，一种基于近期用于推荐的泊松分解模型的动态矩阵分解模型。dPF 使用卡尔曼滤波器对随时间演变的隐因子进行建模，并使用泊松分布对行为进行建模。我们推导出一种可扩展的变分推断算法来推断隐因子。最后，我们在来自 arXiv.org（最大的科学论文库之一，也是了解科学家行为的强大信息来源）的 10 年用户点击数据上演示了 dPF。实验表明，其性能优于静态推荐模型和最近提出的动态推荐模型。我们还对推断出的隐变量后验进行了全面探索。
引用
@article{arxiv.1509.04640,
title = {Dynamic Poisson Factorization},
author = {Laurent Charlin and Rajesh Ranganath and James McInerney and David M. Blei},
journal= {arXiv preprint arXiv:1509.04640},
year = {2015}
}
备注
RecSys 2015