基于自适应复合泊松分解的 raw 数据推荐
信息检索
2019-07-10 v2 机器学习
机器学习
摘要
计数数据常用于推荐系统：它们广泛存在（歌曲播放次数、产品购买量、网页点击数），且能在无用户显式评分的情况下揭示用户偏好。此类数据已知具有稀疏、过度离散与突发特征，使其直接用于推荐系统颇具挑战，常导致二值化等预处理步骤。本文旨在利用近期提出的复合泊松分解 (cPF) 从这些 raw 数据构建推荐系统。本文贡献有三：我们提出离散数据统一框架 (dcPF)，进而给出自适应且可扩展的算法；我们表明该框架在应用于 raw 与二值化数据的泊松分解 (PF) 间实现了权衡；我们研究了与推荐相关且展现出与组合数学新联系的四个具体实例。在三个不同数据集上的实验表明，dcPF 能有效适配过度离散，相比 raw 或二值化数据上的 PF 取得更优推荐分数。
引用
@article{arxiv.1905.13128,
title = {Recommendation from Raw Data with Adaptive Compound Poisson Factorization},
author = {Olivier Gouvert and Thomas Oberlin and Cédric Févotte},
journal= {arXiv preprint arXiv:1905.13128},
year = {2019}
}
备注
Accepted for publication at UAI 2019