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: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