原文链接
open source
本文主要对度量分解这篇论文做一个翻译+总结.
Abstract
被我们熟知的基于矩阵分解(MF)的推荐系统得到了广泛的研究,并已成为最受欢迎的个性化推荐技术之一.然而基于內积的矩阵分解不满足不等式属性(CML中我们提到过的三角不等式),这可能限制了midel的表达并且可能导致次优解.
本文中作者提出了度量分解,假定所有的users和items被embedding到了一个低维的空间并采用满足不等式属性的欧几里得距离来衡量他们之间的相似性.设计了两种方法,将Metric Fac分别用在了rating predict 以及个性化推荐中.
Introduction
推荐系统RS基于用户的历史交互,例如评分,以前的购买和点击浏览记录,预测用户对item的偏好.主要存在两种类型的推荐任务:rating prediction 和 item ranking.
rating prediction主要目标是通过用户显示的评分去估计未评分物品的真实值,从而找到用户可能还对哪些物品感兴趣.
在很多场合下因为显示评级的匮乏,通过隐式反馈(purchase,log,click,etc.)的rank-based的RS模型更加可取和实用的用来产生个性化推荐列表去实现我们的推荐目标.
Metric Fac
度量分解适用于Rating prediction和items ranking.主要原理是使用欧式距离代替MF的点积,从位置和距离的角度来考虑推荐问题.它将交互矩阵分解为user和item的密集嵌入,并根据他们的估计距离来进行推荐.
主要贡献: