Jan, 2022
使用分层图侧面信息的矩阵补全
Matrix Completion with Hierarchical Graph Side Information
Adel Elmahdy, Junhyung Ahn, Changho Suh, Soheil Mohajer
TL;DR研究了利用社交或项目相似性图作为辅助信息的矩阵完成问题，开发了一种通用、无参数、计算效率高的算法，该算法从分层图聚类开始，然后迭代地在图聚类和矩阵评级上进行估计。在考虑社交图和低秩评级矩阵模型下，我们证明了我们的算法达到了最大似然估计推导的观察矩阵条目数量的信息熵界限（即最优的样本复杂度）。利用社交图的分层结构相对于仅仅识别不同群体而不诉诸它们之间的关系结构可以获得显著的样本复杂度增益。我们在合成和实际数据集上进行了广泛的实验，以验证我们的理论结果，并证明相对于利用图侧信息的其他矩阵完成算法，我们的算法具有显著的性能改进。