推荐系统嵌入的不稳定性:以矩阵分解为例
信息检索
2021-04-14 v1
摘要
大多数最先进的Top-N协同推荐系统通过学习嵌入来联合表示用户和物品。学习到的嵌入被认为能有效解决多种任务,包括提供和解释推荐。在本文中我们质疑矩阵分解(MF)学习到的嵌入的可靠性。我们实证表明,仅通过改变分配给隐因子的初始值,相同的MF方法就会生成非常不同的物品和用户嵌入,并且我们强调这种效应对于较不受欢迎的物品更强。为克服这些缺陷,我们提出一种MF的推广,称为最近邻矩阵分解(NNMF)。新方法将物品和用户的信息传播到其邻居,加速训练过程并扩展支撑推荐与表示的信息量。我们描述了三种常见MF方法的NNMF变体,并在五个不同数据集上的大量实验表明,它们强烈缓解了原始MF版本的不稳定性问题,并提升了长尾上的推荐准确性。
引用
@article{arxiv.2104.05796,
title = {On the instability of embeddings for recommender systems: the case of Matrix Factorization},
author = {Giovanni Gabbolini and Edoardo D'Amico and Cesare Bernardis and Paolo Cremonesi},
journal= {arXiv preprint arXiv:2104.05796},
year = {2021}
}