基于非负矩阵分解与图总变差的歌曲推荐
机器学习
2016-01-14 v2 信息检索
机器学习
数据分析、统计与概率
摘要
本工作将一种新型歌曲推荐系统建模为矩阵补全问题，该问题受益于通过非负矩阵分解（NMF）实现的协同过滤以及通过图上的总变差（TV）实现的基于内容的过滤。这些图编码了播放列表邻近信息和歌曲相似性，使用了音频、元数据和社会特征的丰富组合。正如我们所展示的，我们的混合推荐系统非常通用，融合了多种著名方法同时超越了它们。特别地，我们在真实数据上表明，我们的模型在两个评估指标上超越了仅基于低秩信息、基于图的信息或两者组合的推荐模型。
引用
@article{arxiv.1601.01892,
title = {Song Recommendation with Non-Negative Matrix Factorization and Graph Total Variation},
author = {Kirell Benzi and Vassilis Kalofolias and Xavier Bresson and Pierre Vandergheynst},
journal= {arXiv preprint arXiv:1601.01892},
year = {2016}
}
备注
Code available at: https://github.com/kikohs/recog