基于泊松分解的可扩展推荐
信息检索
2014-05-21 v3 人工智能
机器学习
机器学习
摘要
我们开发了一种贝叶斯泊松矩阵分解模型，用于从稀疏的用户行为数据中生成推荐。这些数据是大型用户/物品矩阵，其中每个用户仅对少量物品提供了反馈，无论是显式的（例如通过星级评分）还是隐式的（例如通过浏览或购买）。与传统的矩阵分解方法相比，泊松分解隐式地建模了每个用户消费物品时有限的注意力。此外，由于泊松似然的数学形式，该模型只需显式考虑矩阵中的观测条目，从而实现了可扩展的计算和良好的预测性能。我们开发了一种用于近似后验推断的变分推断算法，该算法可扩展至海量数据集。这是一种高效算法，它遍历观测条目并调整用户/物品表示的近似后验分布。我们将该方法应用于包含用户电影评分、用户听歌以及用户阅读科学论文的大型真实世界用户数据。在所有这些场景中，贝叶斯泊松分解均优于最先进的矩阵分解方法。
引用
@article{arxiv.1311.1704,
title = {Scalable Recommendation with Poisson Factorization},
author = {Prem Gopalan and Jake M. Hofman and David M. Blei},
journal= {arXiv preprint arXiv:1311.1704},
year = {2014}
}