多层张量分解及其在推荐系统中的应用
机器学习
2017-11-07 v1 应用统计
统计方法学
其他统计学
摘要
推荐系统已被电子商务和娱乐行业广泛采用，用于个性化预测与推荐，既惠及消费者又提升商业智能。本文提出一种创新方法，即多层推荐引擎 (REM)，用于张量推荐系统。所提方法利用张量响应的结构整合来自多模态的信息，并创建附加的嵌套潜因子层以容纳主体间依赖。一大优势是该方法能在缺乏新客户、新产品或新情境信息的情况下解决“冷启动”问题。具体而言，它通过子群信息提供更有效的推荐。为实现可扩展计算，我们为所提方法开发了一种新算法，将最大块改进策略融入循环分块坐标下降算法。理论上，我们研究了全局与局部收敛的算法性质，以及估计参数的渐近一致性。最后，所提方法应用于模拟和含 1.16 亿条产品销售观测的 IRI 营销数据。数值研究证明所提方法优于文献中现有竞争方法。
引用
@article{arxiv.1711.01598,
title = {Multilayer tensor factorization with applications to recommender systems},
author = {Xuan Bi and Annie Qu and Xiaotong Shen},
journal= {arXiv preprint arXiv:1711.01598},
year = {2017}
}
备注
Accepted by the Annals of Statistics