[paper阅读] 度量分解: 矩阵分解之下的推荐(三)

实验

由于评分预测和物品排序一般都是使用不同的评估标准分别研究的, 因此, 作者分别在这两个任务上进行了探究. 设计本实验来验证提出方法主要是为了回答以下三个研究问题:

  • 在物品排序中, FML是否优于神经网络和度量学习?
    -相较于基于MF以及基于神经网络的模型, FML能否实现更精确的评分预测?
    超参如何影响模型的性能?

物品排序的评估

数据集描述

继续阅读

[paper阅读] 度量分解: 矩阵分解之下的推荐(一)

摘要

过去的十几年时间里, 有许多研究都调研过矩阵分解技术, 它已经成为个性化推荐中最受欢迎的技术之一. 但是, 基于矩阵分解的推荐模型中采用的点积无法满足不等式性质, 可能会限制它们的可表达性, 得到次佳的方案. 为了解决这个问题, 作者们提出了一个新颖的推荐技术. 假设用户和物品可以放到低维空间, 并且可以使用满足不等式性质的欧氏距离来度量它们之间的距离. 为了验证其效果, 作者们进一步设计了两种模型的变式: 一个用于预测评分,

继续阅读

[paper阅读]推荐系统中的协同深度学习

摘要

  • 传统的基于协同过滤的方法将用户对物品的评分作为单一信息源用于训练,生成推荐;但是在数据非常系统的情况下,会大大降低推荐的效果
  • CTR(Collaborative topic regression,协同主题回归)是一个能将两种不同信息员紧密融合在一起的方法;但是,当辅助信息比较稀疏的时候,CTR训练得到的潜在表示并不是很有效
  • 因此,作者在文章中提出了一个层次贝叶斯模型:CDLCollaborative deep learning

继续阅读