学习异构相似度度量用于元挖掘中的混合推荐
机器学习
2012-10-05 v1 人工智能
摘要
元挖掘（meta-mining）的概念最近出现，并在两个方面扩展了传统的元学习。首先，它学习的元模型不仅支持学习算法选择任务，而且支持整个数据挖掘过程。此外，它放弃了元学习中遵循的所谓算法描述的黑盒方法。现在，除了数据集外，算法也具有描述符，工作流也是如此。对于后两者，这些描述是语义的，描述了算法的属性。随着数据集和数据挖掘工作流描述符的可用性，元学习中遵循的传统建模技术（通常基于分类和回归算法）不再适用。相反，我们面临着一个性质更接近推荐系统中出现的问题。最重要的元挖掘要求是建议应仅使用数据集和工作流描述符，以及解决冷启动问题，即为新数据集提供工作流建议。在本文中，我们从不同的角度看待元挖掘建模问题，并将其视为推荐问题。为了考虑元挖掘的特殊性，我们推导了一种新的基于度量学习的推荐方法。我们的方法学习两个同态度量，一个在数据集空间，一个在工作流空间，以及一个在数据集 - 工作流空间中的异态度量。所有学习到的度量都反映了从数据集 - 工作流偏好矩阵建立的相似性。我们在生物（微阵列数据集）问题的元挖掘上展示了我们的方法。我们方法的应用不仅限于元挖掘问题，其公式足够通用，可以应用于具有类似要求的问题。
引用
@article{arxiv.1210.1317,
title = {Learning Heterogeneous Similarity Measures for Hybrid-Recommendations in Meta-Mining},
author = {Phong Nguyen and Jun Wang and Melanie Hilario and Alexandros Kalousis},
journal= {arXiv preprint arXiv:1210.1317},
year = {2012}
}