基于异构矩阵分解的二联数据在线预测
机器学习
2016-01-15 v1 机器学习
摘要
二联数据预测(DDP)是许多研究领域中的一个重要问题。本文提出了一种新颖的全贝叶斯非参数框架，该框架将两种流行且互补的方法——离散混合成员建模与连续潜在因子建模——整合到一个统一的异构矩阵分解~(HeMF)模型中，该模型能够准确预测未观测到的二联数据。HeMF能够自动确定社区数量，并高效地利用每个双向聚类的潜在线性结构。我们提出了一种变分贝叶斯方法来估计参数和缺失数据。我们进一步开发了一种用于变分推断的新型在线学习方法，并将其用于HeMF的在线学习，该方法能有效应对重要的大规模DDP问题。我们在EachMoive、MovieLens和Netflix Prize协同过滤数据集上评估了我们的方法性能。实验表明，我们的模型在所有基准测试上均优于最先进的方法。与随机梯度方法(SGD)相比，我们的在线学习方法在估计精度和鲁棒性上取得了显著改进。
引用
@article{arxiv.1601.03124,
title = {Online Prediction of Dyadic Data with Heterogeneous Matrix Factorization},
author = {Guangyong Chen and Fengyuan Zhu and Pheng Ann Heng},
journal= {arXiv preprint arXiv:1601.03124},
year = {2016}
}
备注
26 pages, 10 figures