无限混合隶属度矩阵分解

评分与推荐系统已成为应用一系列机器学习技术的热门应用领域。当前的方法主要依赖于矩阵分解的概率解释与扩展，即将用户-物品评分矩阵分解为潜在的用户向量和物品向量。这些方法大多未能对来自其他相似用户对物品评分的显著差异进行建模，这种现象被称为“Napoleon Dynamite”效应。近期的努力通过在评分中添加一个上下文偏置项来解决这一问题，该项捕捉了用户对物品评分时的心情或用户对物品评分时的上下文。在本工作中，我们从非参数意义上扩展了该模型，从数据中学习心情或上下文的最优数量，并为我们的模型推导了Gibbs采样推断过程。我们在MovieLens 1M数据集上评估了我们的方法，并显示出相较于最优参数化基线的显著提升，其提升幅度是此前该任务所遇提升的两倍多。我们还提取并评估了一个DBLP数据集，在其中我们预测两位作者合著的论文数量，并展示了在这一替代领域上相较于参数化基线的提升。