原文鏈接
open source
本文主要對度量分解這篇論文做一個翻譯+總結.
Abstract
被我們熟知的基於矩陣分解(MF)的推薦系統得到了廣泛的研究,並已成爲最受歡迎的個性化推薦技術之一.然而基於內積的矩陣分解不滿足不等式屬性(CML中我們提到過的三角不等式),這可能限制了midel的表達並且可能導致次優解.
本文中作者提出了度量分解,假定所有的users和items被embedding到了一個低維的空間並採用滿足不等式屬性的歐幾里得距離來衡量他們之間的相似性.設計了兩種方法,將Metric Fac分別用在了rating predict 以及個性化推薦中.
Introduction
推薦系統RS基於用戶的歷史交互,例如評分,以前的購買和點擊瀏覽記錄,預測用戶對item的偏好.主要存在兩種類型的推薦任務:rating prediction 和 item ranking.
rating prediction主要目標是通過用戶顯示的評分去估計未評分物品的真實值,從而找到用戶可能還對哪些物品感興趣.
在很多場合下因爲顯示評級的匱乏,通過隱式反饋(purchase,log,click,etc.)的rank-based的RS模型更加可取和實用的用來產生個性化推薦列表去實現我們的推薦目標.
Metric Fac
度量分解適用於Rating prediction和items ranking.主要原理是使用歐式距離代替MF的點積,從位置和距離的角度來考慮推薦問題.它將交互矩陣分解爲user和item的密集嵌入,並根據他們的估計距離來進行推薦.
主要貢獻: