典型文献
基于度量学习的多空间推荐系统
文献摘要：
隐式反馈具有数据获取成本小、形式广泛的特点,因此在现代推荐系统中被广泛使用.由于用户的隐式反馈通常是稀疏,不平衡,且含义不明确的.因此,想要准确学习用户和物品之间的复杂交互具有挑战性.传统的基于矩阵分解的推荐方法只能建模用户-物品之间的相似性.同时,矩阵分解使用点积运算作为相似度评估方式,而点积运算不满足三角不等式,即不能将用户-物品相似性传递到用户-用户以及物品-物品的相似性建模.因此,矩阵分解不足以在隐式反馈中充分建模用户和物品的关系.尽管现在有基于隐式反馈使用欧式距离来度量用户-物品相似度的度量学习方法,使得对应的推荐方法能够满足三角不等式.但是,现有的度量方法通常会将每个用户或者物品表示为度量空间中的单个点,进而在单个空间内通过用户-物品之间的距离来表征用户-物品之间的相似性.由于在不同的环境下,用户对于同一种类型的物品的偏好也可能存在差异.基于单个空间的用户、物品嵌入向量有可能无法满足用户具有的多种偏好和物品具有的多种属性,进而限制了推荐系统的性能.为了充分刻画用户和物品,我们尝试从多个侧面对于用户和物品进行表示,并提出了一个基于多空间的度量学习(MML)框架.通过设计整合多个空间相似性的度量方式,我们将用户和物品投影到多个空间中进行细粒度的表示.另外,我们设计了一种经过校准的优化策略,包括经过校准的最大间隔损失函数和经过校准的采样方法.在保持多空间度量学习表示能力的同时,确保框架的有效性.最后,模型通过训练好的用户、物品向量,对于稀疏的用户-物品交互矩阵进行填补.在动态更新空间权重的同时,可以赋予模型新的训练视角,最终实现端到端的训练.通过四个真实世界推荐数据集上进行的大量实验表明,MML可以在Recall和nDCG衡量指标上将目前最优的对比算法提高40％以上.
文献关键词：
度量学习;多侧面;隐式反馈;推荐系统;矩阵填补
中图分类号：
作者姓名：
檀彦超;郑小林
作者机构：
浙江大学计算机科学与技术学院 杭州 310007;埃默里大学计算机科学与技术学院 亚特兰大 30322 美国
文献出处：
引用格式：
[1]檀彦超;郑小林-.基于度量学习的多空间推荐系统)[J].计算机学报,2022(01):1-16
A类：
矩阵填补
B类：
度量学习,多空间,推荐系统,隐式反馈,数据获取,习用,矩阵分解,推荐方法,算作,相似度评估,评估方式,三角不等式,品相,欧式距离,度量空间,征用,嵌入向量,满足用户,种属,MML,空间相似性,度量方式,细粒度,大间隔,损失函数,采样方法,示能,练好,动态更新,新空间,空间权重,端到端,真实世界,推荐数,Recall,nDCG,衡量指标,上将,对比算法,多侧面
AB值：
0.313989
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
