面向 Top-K 推荐的自适应间隔概率度量学习
信息检索
2021-01-14 v1 机器学习
摘要
随着内容与服务的日益丰富以及用户难以甄别自身兴趣所在，个性化推荐系统正发挥着越来越重要的作用。尽管基于矩阵分解与深度学习的方法已在用户偏好建模中证明有效，但它们违背三角不等式且无法捕捉细粒度偏好信息。为此，我们构建了一个基于距离的推荐模型，其具有若干新颖之处：(i) 以高斯分布参数化各用户与物品以捕捉学习不确定性；(ii) 提出自适应间隔生成方案，针对不同的训练三元组生成间隔；(iii) 在目标函数中引入显式的用户-用户/物品-物品相似度建模。由于 Wasserstein 距离服从三角不等式且能度量概率分布间的距离，故采用其来确定偏好。通过在五个真实数据集上与最先进方法进行对比，所提模型在 Top-K 推荐的 recall@K 指标上比现有最优模型高出 4-22%。
引用
@article{arxiv.2101.04849,
title = {Probabilistic Metric Learning with Adaptive Margin for Top-K Recommendation},
author = {Chen Ma and Liheng Ma and Yingxue Zhang and Ruiming Tang and Xue Liu and Mark Coates},
journal= {arXiv preprint arXiv:2101.04849},
year = {2021}
}
备注
Accepted by the 26th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2020 Research Track)