本文提出了一种用于大规模数据的变分 Factorization Machines 算法,通过标准的 Mini-Batch 随机梯度下降法实现优化,从而为预测结果提供可靠的置信度,并在多个数据集上展示了其在预测准确性上具有与现有方法相媲美甚至更好的性能,同时提出了在偏好调查技术等活动策略中的应用。
Dec, 2022
本研究探讨集体矩阵分解模型在推荐系统中的应用,提出了一种新的公式,可以更快地预测没有反馈或互动数据但有辅助信息的用户和商品,虽然冷启动推荐不如热启动的推荐准确,但比非个性化推荐效果更好,而且对于新用户的预测比新商品更可靠。此处提出的公式在许多场景下改进了冷启动推荐,但热启动推荐效果有所下降。
Sep, 2018
介绍了一种预测显示广告中用户点击率和转化率的实时预测系统,该系统采用基于领域的分解机方法,得到了良好的预测效果。我们还讨论了模型训练中的一些挑战和解决方案。
Jan, 2017
本论文提出了一种名为离散因子机(Discrete Factorization Machine, DFM)的泛化特征推荐模型,它将每个特征嵌入的实数模型参数(例如 float32)变成二进制代码(例如布尔值),从而支持高效的存储和快速的用户 - 物品评分计算。与最先进的二值化推荐模型相比,DFM 一直表现出色,并且与其实数版本(FM)相比表现出非常有竞争力的性能,以展示量化损失的最小化。
May, 2018
本文介绍因子分解机及其在机器学习、推荐系统、处理稀疏高维特征等领域的应用。作者提供了一个易用的因子分解机实现,支持回归、分类和排序等任务,为这一模型在广泛的应用领域提供了便利和潜力。
May, 2015
本文提出一种名为 SeqFM 的新型基于因子分解机的模型,可以完全考虑动态特征之间的因果依赖关系,通过多视角自注意力模型分别建模静态特征、动态特征和静态动态特征的交互作用,完成时序预测分析任务。在六个大规模数据集上的实验结果表明,SeqFM 在排名、分类和回归任务方面都具有优异的效能和效率。
Nov, 2019
本次研究旨在提高矩阵因式分解(MF)在隐式反馈中的效率和效果,其中解决了现存工作中的两个问题:缺少反馈数据和扩展动态更新策略。我们基于项目的流行度提出了一个新颖的变量加权方法,并设计了一个基于 eALS 技术的学习算法,用于优化具有变量加权缺失数据的 MF 模型,并实现了一种增量更新策略。通过离线和在线的实验验证表明,我们的 eALS 方法相对于现有研究表现更佳。
Aug, 2017
本研究提出了一种在线学习算法,名为 Online Compact Convex Factorization Machine (OCCFM),使用一种新的凸化方法来进行因式分解模型的在线学习。该算法采用线性优化而非传统的投影操作来优化模型,理论上证明了它在在线学习场景中的优越性能,并在多个真实数据集上进行了验证。
Feb, 2018
提出了基于属性关联度的相似度度量方法,将属性耦合关系融入矩阵分解方法来解决推荐系统中的冷启动和稀疏性等问题,并在两个开放数据集上实验验证模型优越性。
Apr, 2014
本文描述了一种名为 OFF-Set 的基于潜在因子分析的推荐算法,该算法能够处理冷启动问题,并在纯在线推荐场景中表现出优越性能,特别适用于广告定向推荐。
Aug, 2013