在概率矩阵分解中结合高斯过程的辅助信息
机器学习
2010-03-26 v1 机器学习
摘要
概率矩阵分解(PMF)是一种对与成对关系相关的数据进行建模的强大方法，广泛应用于协同过滤、计算生物学和文档分析等领域。在许多领域中，存在有助于预测的额外信息。例如，在对电影评分进行建模时，我们可能知道评分发生的时间、用户的居住地或电影中的演员。然而，将这些辅助信息纳入PMF模型是困难的。我们提出了一种框架，通过高斯过程先验将多个PMF问题耦合在一起，从而纳入辅助信息。我们将标量潜在特征替换为随辅助信息空间变化的函数。这些函数上的高斯过程先验要求它们平滑变化并共享信息。我们成功地将这种新方法用于预测职业篮球比赛的得分，其中关于比赛场地和日期的辅助信息与结果相关。
引用
@article{arxiv.1003.4944,
title = {Incorporating Side Information in Probabilistic Matrix Factorization with Gaussian Processes},
author = {Ryan Prescott Adams and George E. Dahl and Iain Murray},
journal= {arXiv preprint arXiv:1003.4944},
year = {2010}
}
备注
18 pages, 4 figures, Submitted to UAI 2010