面向带隐式反馈在线推荐的快速矩阵分解
信息检索
2017-08-18 v1
摘要
本文对隐式反馈矩阵分解（MF）方法的有效性和效率进行了改进。我们指出现有工作中的两个关键问题。首先，由于未观测反馈的空间巨大，大多数现有工作对缺失数据赋予统一权重以降低计算复杂度。然而，这种统一假设在真实场景中并不成立。其次，大多数方法是在离线环境下设计的，无法适应在线数据的动态特性。我们解决了从隐式反馈中学习 MF 模型时的上述两个问题。我们首先提出基于物品流行度对缺失数据进行加权，这比统一权重假设更有效且更灵活。然而，这种非均匀加权在学习模型时带来了效率挑战。为解决此问题，我们专门设计了一种基于逐元素交替最小二乘（eALS）技术的新学习算法，以高效优化具有可变权重缺失数据的 MF 模型。我们利用这种效率优势，进而无缝设计了一种增量更新策略，在给定新反馈时即时刷新 MF 模型。通过在两个公开数据集上进行离线和在线协议的综合实验，我们表明 eALS 方法始终优于最先进的隐式 MF 方法。我们的实现可在 https://github.com/hexiangnan/sigir16-eals 获取。
引用
@article{arxiv.1708.05024,
title = {Fast Matrix Factorization for Online Recommendation with Implicit Feedback},
author = {Xiangnan He and Hanwang Zhang and Min-Yen Kan and Tat-Seng Chua},
journal= {arXiv preprint arXiv:1708.05024},
year = {2017}
}
备注
10 pages, 8 figures