面向高维稀疏矩阵的图融合隐因子分析
机器学习
2022-04-19 v1 人工智能
机器学习
摘要
高维稀疏（HiDS）矩阵常见于电子商务系统或社交网络服务等大数据相关应用中。因其从其中提取潜在知识与模式的强烈需求，对其执行高精度表示学习具有重要意义。隐因子分析（LFA）仅基于 HiDS 矩阵的观测项学习低秩嵌入来表示该矩阵，是解决此问题最有效且高效的方法之一。然而，大多数现有基于 LFA 的模型直接对 HiDS 矩阵进行此类嵌入而未利用其隐藏图结构，从而导致精度损失。为解决该问题，本文提出一种图融合隐因子分析（GLFA）模型。它采用双重思路：1）构建图以识别由 HiDS 矩阵描述的节点间隐藏的高阶交互（HOI）；2）精心设计一种融合 HOI 的循环 LFA 结构，从而提升所得模型的表示学习能力。在三个真实数据集上的实验结果表明，GLFA 在预测 HiDS 矩阵缺失数据方面优于六种当前最优模型，这明确佐证了其对 HiDS 数据的强表示学习能力。
引用
@article{arxiv.2204.07818,
title = {Graph-incorporated Latent Factor Analysis for High-dimensional and Sparse Matrices},
author = {Di Wu and Yi He and Xin Luo},
journal= {arXiv preprint arXiv:2204.07818},
year = {2022}
}