MMMar, 2022

推荐系统中的矩阵分解与分解机介绍及进展

PDF
TL;DR本文旨在更好地理解矩阵分解（MF）、因子分解机（FM）及其与深度算法相结合在推荐系统中的应用。具体而言，本文将重点关注奇异值分解（SVD）及其衍生物（如 Funk-SVD、SVD++ 等）。通过数值实例，我们努力将理论与实际问题联系起来，并解释了 DeepFM 模型，其中 FM 受到深度学习的支持。
发现论文，激发创造
  • 大规模推荐系统中用于偏好获取的变分因子机

    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

  • fastFM: 因子分解机的库

    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

  • 学习主题模型 —— 走出奇异值分解

    该论文从理论上证明了利用非负矩阵分解（NMF）作为主要工具来实现主题模型学习算法的可行性，具有学习效率高，不需要数据满足某些限制条件等优点，可用于包含主题 - 主题相关性的模型。

    Apr, 2012

  • 用于监督矩阵分解的指数收敛算法

    利用监督矩阵分解 (SMF) 方法，在高维数据中学习低秩潜在因素，并提供可解释性、数据重构性和类别区分性特征，通过一个新颖框架将 SMF 提升为一个结合因子空间的低秩矩阵估计问题，并提出了一个有效算法，在各种癌症中成功识别了已知的与癌症相关的基因组。

    Nov, 2023

  • 基于特征的矩阵分解

    本技术报告介绍了特征基矩阵分解的实现，该模型是矩阵分解模型的许多变体的抽象，可以通过定义新特征而利用新类型的信息，而无需修改任何代码。使用该工具包，我们构建了 KDDCup'11 赛道 1 报告的最佳单个模型。

    Sep, 2011

  • 现实世界在线广告系统中的领域感知因子分解机

    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

  • 多视图分解机

    本文提出了一种名为多视角机器（MVM）的通用预测器，其可以有效地包括多个视图中特征之间的所有可能交互，并嵌入联合分解以实现参数稀疏估计。通过与其他方法进行比较，我们进一步说明了 MVM 的优势，包括支持向量机（SVM）、支持张量机（STMs）和因子机（FMs）等多视角分类任务。同时我们还提出了一个用于学习 MVM 模型的随机梯度下降方法。

    Jun, 2015

  • 矩阵分解在热带和混合热带线性代数中的应用

    矩阵分解在机器学习和数据挖掘中有广泛应用，包括协同过滤推荐系统、降维、数据可视化和社区检测。本文基于热带代数和几何在机器学习领域的最新成果，研究了两个涉及矩阵分解的问题。我们提出了一种改进的算法来解决热带矩阵分解问题，并通过将传统矩阵乘法与热带乘法相结合来探讨了近似分解的第二种形式。我们还展示了新算法的有效性并在推荐系统上进行了应用，并取得了有希望的结果。

    Sep, 2023

  • 高阶分解机

    本文介绍了一种用于训练任意阶 HOFMs 的通用且高效的算法，以及具有共享参数的新变体，这大大减少了模型大小和预测时间，同时保持了类似的准确性，并在四个不同的链接预测任务上演示了所提出的方法。

    Jul, 2016

  • 离散因子分解机用于基于特征的快速推荐

    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