GEMRank：用于协同过滤的全局实体嵌入
信息检索
2018-11-06 v1 机器学习
机器学习
摘要
近来，词嵌入算法已被应用于利用推荐系统实体（如用户与物品）之间文本元素-上下文关系将其映射至新特征空间。与许多其他领域不同，该方法在协同过滤问题中未达预期性能，可能源于适当文本数据的缺失。本文提出一种称为 GEMRank 的新推荐框架，可在用户-物品矩阵为唯一可用信息来源时应用。它利用画像共现概念定义实体间关系，并应用分解方法嵌入用户与物品。GEMRank 随后将提取的表示输入神经网络模型以预测用户-物品喜好关系，最终推荐基于此作出。我们在大量实验中对照最先进推荐方法评估了 GEMRank。结果表明，在不同稠密度的多种数据集上，GEMRank 显著优于基线算法。
引用
@article{arxiv.1811.01686,
title = {GEMRank: Global Entity Embedding For Collaborative Filtering},
author = {Arash Khoeini and Bita Shams and Saman Haratizadeh},
journal= {arXiv preprint arXiv:1811.01686},
year = {2018}
}