面向推荐的序数非负矩阵分解
机器学习
2020-09-03 v4 机器学习
摘要
我们提出一种针对序数数据的新非负矩阵分解（NMF）方法，称为 OrdNMF。序数数据是指类别间存在自然顺序的类别型数据。特别地，它们可出现在推荐系统中，既可以是显式数据（如评分），也可以是隐式数据（如量化播放次数）。OrdNMF 是一种概率隐因子模型，它推广了应用于二值化数据的伯努利-泊松分解（BePoF）和泊松分解（PF）。与这些方法不同，OrdNMF 避免了二值化，并能利用更具信息量的数据表示。我们基于合适的模型增广并关联变分 PF，设计了一种高效的变分算法。特别地，我们的算法保持了 PF 的可扩展性，并可应用于海量稀疏数据集。我们在显式和隐式数据集上进行了推荐实验，结果表明 OrdNMF 优于应用于二值化数据的 BePoF 和 PF。
引用
@article{arxiv.2006.01034,
title = {Ordinal Non-negative Matrix Factorization for Recommendation},
author = {Olivier Gouvert and Thomas Oberlin and Cédric Févotte},
journal= {arXiv preprint arXiv:2006.01034},
year = {2020}
}
备注
Accepted for publication at ICML 2020