面向上下文感知推荐系统的高斯过程潜变量模型分解
机器学习
2019-12-23 v1 信息检索
机器学习
摘要
上下文感知推荐系统（CARS）因能够利用上下文信息而受到越来越多的关注。与传统推荐系统相比，CARS通常能够生成更精确的推荐。潜因子方法在CARS中占很大比例。近年来，一种基于非线性高斯过程（GP）的分解方法被证明在CARS中优于state-of-the-art方法。尽管有效，基于GP模型的方法可能存在过拟合问题，并且可能无法自动确定每个上下文的影响。为解决这些不足，我们提出了高斯过程潜变量模型分解（GPLVMF）方法，其中我们对原始GP模型施加了适当的先验。我们的工作主要受到高斯过程潜变量模型（GPLVM）的启发，后者是一种非线性降维方法。因此，我们在真实数据集上显著提升了性能，并捕捉到每个上下文的重要性。除一般优势外，我们的方法在推荐系统设置方面提供了两项主要贡献：（1）通过设置非零均值函数来处理偏置的影响；（2）通过用实数值固定潜空间来利用实值上下文。
引用
@article{arxiv.1912.09593,
title = {Gaussian Process Latent Variable Model Factorization for Context-aware Recommender Systems},
author = {Wei Huang and Richard Yi Da Xu},
journal= {arXiv preprint arXiv:1912.09593},
year = {2019}
}
备注
8 pages, 5 figures