HybridSVD:当协同过滤信息不够时
机器学习
2019-08-14 v4 信息检索
机器学习
摘要
我们提出一种新的混合算法,允许在标准协同过滤技术中纳入用户和物品的侧信息。其关键特征之一是自然扩展了简单的PureSVD方法,并继承了它的独特优势,例如基于Lanczos的高效优化过程、简化的超参数调优,以及在高度动态的在线环境中也能即时生成推荐的快速折叠计算。该算法利用奇异值分解的广义表述,为解增添了灵活性,并允许在其潜空间上施加所需结构。方便的是,所得模型也为冷启动场景提供了高效直接的解决方案。我们在多样化的数据集上评估了我们的方法,并展示了它相对于类似类别混合模型的优越性。
引用
@article{arxiv.1802.06398,
title = {HybridSVD: When Collaborative Information is Not Enough},
author = {Evgeny Frolov and Ivan Oseledets},
journal= {arXiv preprint arXiv:1802.06398},
year = {2019}
}
备注
accepted as a long paper at ACM RecSys 2019; 9 pages, 2 figures, 2 tables