面向隐式反馈数据的因子分解机
信息检索
2018-12-21 v1
摘要
在这项工作中，我们提出 FM-Pair，一种采用成对损失函数对因子分解机（Factorization Machines）的适配，使其对具有隐式反馈的数据集有效。FM-Pair 中的优化模型基于 BPR（贝叶斯个性化排序）准则，这是一种成熟的成对优化模型。FM-Pair 保留了 FMs 在通用性、表达力和性能上的优势，同时可用于具有隐式反馈的数据集。我们还提出了如何在两个协同过滤问题上有效应用 FM-Pair，即上下文感知推荐与跨域协同过滤。通过在不同具有显式或隐式反馈的数据集上实验，我们经验性地表明，在大多数被测数据集中，FM-Pair 击败了诸如 BPR-MF（采用矩阵分解模型的 BPR）之类的先进学习排序方法。我们还表明，与标准 FMs 模型相比，FM-Pair 在排序上显著更有效。此外，我们表明 FM-Pair 能有效利用上下文或跨域信息，因为推荐准确率总会随正确的辅助特征而提升。最后我们表明，FM-Pair 具有线性时间复杂度，并通过利用附加特征实现线性扩展。
引用
@article{arxiv.1812.08254,
title = {Factorization Machines for Data with Implicit Feedback},
author = {Babak Loni and Martha Larson and Alan Hanjalic},
journal= {arXiv preprint arXiv:1812.08254},
year = {2018}
}