重访SVD以生成用于推荐系统的强力节点嵌入
社会与信息网络
2021-10-08 v1 信息检索
机器学习
摘要
图表示学习（GRL）是推荐系统中一个新兴且有前景的领域。在本文中，我们重访邻接矩阵的奇异值分解（SVD）以生成用户和物品的嵌入，并在这些嵌入之上使用两层神经网络来学习用户-物品对之间的相关性。受GRL中高阶学习成功的启发，我们进一步提出该方法的扩展，通过邻接矩阵的二阶引入二跳邻居进行SVD，并展示出相较于仅使用一跳邻居的简单SVD方法的性能提升。在三个公开可用的推荐系统数据集上的实证验证表明，所提方法尽管简单，却击败了许多最先进（SOTA）方法，并且在三个数据集中的两个上以高达10%的优势击败了所有方法。通过我们的研究，我们希望阐明矩阵分解方法，特别是SVD，在深度学习时代的有效性，并表明这些方法仍作为推荐系统中的重要基线发挥作用。
引用
@article{arxiv.2110.03665,
title = {Revisiting SVD to generate powerful Node Embeddings for Recommendation Systems},
author = {Amar Budhiraja},
journal= {arXiv preprint arXiv:2110.03665},
year = {2021}
}
备注
7 pages, 3 figures, and 4 tables