本文开发了一种类型的回归模型来估计纵向和多元关系数据中成员之间的关系,该模型基于多线性张量回归模型,一种特殊情况是张量自回归模型,可以表示关系和网络数据中经常出现的模式,如互惠和传递性。
Nov, 2014
本文提出了一族新的方法,将知识图谱嵌入到实值张量中,使用这些基于张量的嵌入可以更加准确地预测新事实。通过实证评估,证明了这些张量分解模型的有效性和可靠性。
Feb, 2019
本文提出了基于神经张量分解的动态关系数据预测模型,该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用,并结合多层感知器结构学习不同潜在因素之间的非线性关系,实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。
Feb, 2018
药物联合使用引起的不良反应是现代医学中一个日益普遍的现象,对其准确预测的挑战至关重要。尽管存在大量计算方法来解决这个问题,但由于问题的多项式特性,仅依靠实验室的方法无法满足需求。我们将三种张量分解模型应用于基准数据集,与现有技术进行比较,发现与先前的报告相反,在此任务中,张量分解模型与最先进的图神经网络模型具有竞争力,因此建议未来的研究在运行昂贵的深度学习流程之前考虑更廉价的具有线性复杂度的方法。
Apr, 2024
本研究提出了一种新的 CP 张量分解方法,使用了随机投影算法降低了问题难度并在模拟和真实数据集上得到了更好的表现。
Jan, 2015
本文提出了一种分布式、灵活的非线性张量分解模型,通过可避免昂贵的计算以及提供高质量推理的上限,它能够克服传统张量分解模型中的限制,并展现出在 CTR 预测方面的巨大潜力。
Apr, 2016
本文提出了一种基于共识优化的新型可扩展的多关系分解方法,名为 ConsMRF,采用 ADMM 框架进行优化,可轻松并行化处理 Web 规模的数据,并在大型 Web 数据集上显示出效率和性能的改进。
本文为了弥补目前推荐系统领域中对于基于张量方法的研究欠缺的问题,全面回顾和讨论了基于张量的推荐模型的应用以及未来的发展方向。
Mar, 2016
本文提出了一种可扩展的 Bayesian 模型,用于低秩分解具有二进制观测的大规模张量,并展示了该模型在计算可扩展性和利用二进制配对关系方面的优越性。
Aug, 2015
本文从统一的视角重新审视了多项式网络和分解机模型,提出了高效训练算法,并将参数学习作为低秩对称张量估计问题进行求解。在回归和推荐系统任务中展示了我们的方法。
Jul, 2016