用于标签感知个性化推荐的混合深度语义矩阵分解
信息检索
2017-08-15 v1
摘要
矩阵分解现已成为社交网络上个性化推荐的主流解决方案。为了缓解冷启动问题，以往的方法将各种额外的信息源纳入传统的矩阵分解模型中。然而，这些升级后的模型在个性化推荐性能上仅取得了“微弱”的提升。因此，受深度语义建模最新发展的启发，我们提出了一种混合深度语义矩阵分解（HDMF）模型，通过整合深度语义建模、混合学习与矩阵分解技术，进一步提升标签感知个性化推荐的性能。实验结果表明，HDMF 在所有评估指标上均显著优于最先进的基线方法，例如，其平均倒数排名（分别为平均精度均值）是最优基线方法的1.52（分别为1.66）倍。
引用
@article{arxiv.1708.03797,
title = {Hybrid Deep-Semantic Matrix Factorization for Tag-Aware Personalized Recommendation},
author = {Zhenghua Xu and Cheng Chen and Thomas Lukasiewicz and Yishu Miao},
journal= {arXiv preprint arXiv:1708.03797},
year = {2017}
}