半监督学习遇上分解：基于链图模型的学习推荐方法
机器学习
2020-03-06 v1 机器学习
摘要
近年来，隐因子模型（LFM）因其在推荐系统中的良好性能和可扩展性而备受关注。然而，现有的 LFM 仅基于已知值预测用户-项目评分矩阵中的缺失值，因此评分矩阵的稀疏性始终限制着它们的性能。同时，半监督学习（SSL）通过执行标签传播提供了一种缓解标签（即评分）稀疏性问题的有效方法，这主要基于亲和图上的平滑性洞察。然而，基于图的 SSL 在直接应用于推荐时面临严重的可扩展性和图不可靠问题。在本文中，我们提出了一种新颖的概率链图模型（CGM）将 SSL 与 LFM 相结合。所提出的 CGM 是贝叶斯网络与马尔可夫随机场的组合。贝叶斯网络用于建模评分生成与回归过程，马尔可夫随机场用于建模生成评分之间具有置信度感知的平滑性约束。实验结果表明，我们提出的 CGM 在四项评价指标上显著优于最先进的方法，并且在数据稀疏性增加时具有更大的性能优势。
引用
@article{arxiv.2003.02452,
title = {Semi-supervised Learning Meets Factorization: Learning to Recommend with Chain Graph Model},
author = {Chaochao Chen and Kevin C. Chang and Qibing Li and Xiaolin Zheng},
journal= {arXiv preprint arXiv:2003.02452},
year = {2020}
}
备注
Accepted by TKDD