CoFactor:Factorization Meets the Item Embedding: Regularizing Matrix Factorization with Item

CoFactor是一种结合矩阵分解和项目嵌入的推荐系统模型,旨在通过项目共现矩阵进行正则化,提升分解质量。模型包含矩阵分解MF和项目嵌入两部分,通过学习项目消费的共生矩阵,实现对用户行为和项目关系的更准确建模。实验结果显示,CoFactor在多个数据集上优于传统的加权矩阵分解WMF。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Factorization Meets the Item Embedding: Regularizing Matrix Factorization with Item Co-occurrence

ACM(RECSYS)-Dawen Liang, Jaan Altosaar, Laurent Charlin, David M. Blei-2016

思路

MF模型将观察到的用户-项目交互矩阵分解为用户和项目潜在因素。
提出了一个余因子分解模型,CoFactor,它联合分解的用户-项目交互矩阵和项目-项目共生矩阵共享项目潜在因素。
它提升了分解质量,并且几乎没有额外的计算开销。

介绍

我们使用每个用户消费或评分的项目集以及数据中用户之间这些项目的共同出现次数来学习项目嵌入。

辅助因子模型CoFactor

有两个构建模块:矩阵分解MF和项嵌入。
一、矩阵分解MF:
给定用户U和项I的交互矩阵Y(维度U*I),MF的作用就是将交互矩阵Y分解为用户和项目潜在因素的乘积,假设潜在因素是K维的向量。MF注重于隐式反馈数据,但是CoFactor可以容易地扩展到显示反馈设置。
MF的优化目标是:在这里插入图片描述其全局最优解可以解释维概率模型高斯矩阵分解模型的最大后验估计。
二、词嵌入:
词向量嵌入在自然语言处理中应用十分广泛,他主要是根据一个词序列,使用模型将其中每个词映射到一个低维向量

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值