在线贝叶斯协同主题回归
机器学习
2016-05-31 v1 信息检索
摘要
协同主题回归（CTR）结合了概率矩阵分解（PMF）和主题建模（例如 LDA）的思想用于推荐系统，已在许多应用中取得日益增多的成功。尽管具有诸多优势，现有 CTR 算法存在一些关键局限。首先，它们通常设计为以批学习方式工作，使其不适合处理真实推荐系统中的流式数据或大数据。其次，LDA 的文档特定主题比例被输入到下游 PMF，但反之则不然，这是次优的，因为评分信息未被用于发现文档的低维表示，从而可能导致用于预测的次优表示。在本文中，我们提出了一种新颖的在线贝叶斯协同主题回归（OBCTR）方案，该方案对于从数据流中学习是高效且可扩展的。特别地，我们以在线学习方式 {\it 联合} 优化 PMF 和 LDA 的组合目标函数，其中 PMF 和 LDA 任务在在线学习过程中能够相互强化。我们在真实数据上的令人鼓舞的实验结果验证了所提方法的有效性。
引用
@article{arxiv.1605.08872,
title = {Online Bayesian Collaborative Topic Regression},
author = {Chenghao Liu and Tao Jin and Steven C. H. Hoi and Peilin Zhao and Jianling Sun},
journal= {arXiv preprint arXiv:1605.08872},
year = {2016}
}