面向高维稀疏因子的几何感知映射
机器学习
2016-05-17 v1 信息检索
机器学习
摘要
尽管矩阵分解模型在大规模推荐与搜索中无处不在，但此类模型的实时应用需要对极大规模的物品因子集合进行内积计算。在本文中，我们提出了一个利用倒排索引表示来挖掘稀疏向量结构属性，以显著降低分解模型运行时间计算成本的新框架。我们开发了在单位球面镶嵌上使用几何感知排列映射的技术，以获得高维稀疏嵌入，其稀疏模式与原潜在因子的角度接近性相关。我们还在此框架内设计了几种高效且确定性的实现，并通过实验证明我们的技术在精度损失最小的情况下带来了更快的运行时间操作。
引用
@article{arxiv.1605.04764,
title = {Geometry Aware Mappings for High Dimensional Sparse Factors},
author = {Avradeep Bhowmik and Nathan Liu and Erheng Zhong and Badri Narayan Bhaskar and Suju Rajan},
journal= {arXiv preprint arXiv:1605.04764},
year = {2016}
}
备注
AISTATS 2016, 13 pages, 5 figures