TimeKit：基于时间序列预测的协同过滤增强工具包
信息检索
2022-11-09 v1 人工智能
机器学习
摘要
推荐系统是数据挖掘和机器学习中一个长期存在的研究问题。它们本质上是增量的，因为新的用户-物品交互日志不断到达。在真实世界应用中，我们需要周期性地训练协同过滤算法以提取用户/物品嵌入向量，因此自然地可以定义一个嵌入向量的时间序列。我们提出了一个基于时间序列预测的升级工具包（TimeKit），其工作方式如下：i) 首先确定一个基础协同过滤算法，ii) 从该基础算法从用户-物品交互日志中增量地（例如每月）提取用户/物品嵌入向量，iii) 用提取的嵌入向量时间序列训练我们的时间序列预测模型，然后 iv) 预测未来的嵌入向量并以其点积分数进行推荐，这得益于近期处理复杂时间序列数据的突破，即神经控制微分方程（NCDEs）。我们在四个真实世界基准数据集上的实验表明，所提出的基于时间序列预测的升级工具包能显著增强现有的流行协同过滤算法。
引用
@article{arxiv.2211.04266,
title = {TimeKit: A Time-series Forecasting-based Upgrade Kit for Collaborative Filtering},
author = {Seoyoung Hong and Minju Jo and Seungji Kook and Jaeeun Jung and Hyowon Wi and Noseong Park and Sung-Bae Cho},
journal= {arXiv preprint arXiv:2211.04266},
year = {2022}
}
备注
Accepted at IEEE BigData 2022