Matrix and Tensor Decomposition in RecommenderSystems
阅读笔记（翻译）
2.MATRIX DECOMPOSITION
矩阵分解（matrix factorization）是将一个矩阵分解为多个矩阵相乘结果的过程，它对发掘参与实体（participating entities, 如用户和商品）的数据中的潜在关系有着重要意义。在简化形式中，矩阵分解方法仅用两个矩阵，这两个矩阵各自包含了用户特征因素（user-feature factor）间的相关性（correlation）与商品特征因素（item-featurefactor）间的相关性。
为预测一个用户对一部电影的评分（rating），我们可以计算电影和用户在图上的坐标[x, y]间的点积（dot product）。
下面介绍基本矩阵分解方法。第一种方法为特征值分解（Eigenvalue Decomposition）。这种方法将原矩阵分解为矩阵的标准型（canonical form）。第二种方法为非负矩阵分解（Non-Negative MatrixFactorization, NMF）。这种方法将原矩阵分解为两个较小的矩阵，且每个小矩阵的每个元素都非负。第三种方法为概率矩阵分解（Probabilistic MatrixFactorization, PMF）。这种方法适用于大型数据集。PMF方法在用了球形高斯先验（spherical Gaussian priors）的高度稀疏（very sparse）和不均衡（imbalanced）数据集上表现较好。第四种方法为概率潜在语义分析（Probabilistic Latent Semantic Analysis, PLSA）。源于潜在类别模型（latentclass model）的混合分解（mixture decomposition）是该方法的基础。最后一种方法为CUR Decomposition。这种方法confronts the problemof density in the factorized matrices(a problem that is faced on SVD method)。我们还会详细描述SVD和UV分解。我们将用目标函数（objectivefunction）衡量预测值与用户真实评分之间的误差，并将其的最小化。另外，目标函数还被加入了友情的约束来平衡推荐的质量（additional constraint offriendship is added in the objective function to leverage the quality ofrecommendations）。
最后，我们对比了SVD和UV分解算法，对结合了SVD的CF算法的表现进行了研究。
3.TENSORDECOMPOSITION
由于在许多情况下，数据为三元关系（ternary relation）（如SocialTagging Systems(STSs), Location-based social network(LBSNs)），许多一开始被设计成针对矩阵的推荐算法无法应用。高阶问题成为新的挑战。比如，STSs的三元关系可以被表示为三阶张量
其中，
张量分解技术可被应用于发掘张量A中的潜在语义结构。基本的思想是将推荐问题转化成一个三阶张量完整化问题（third-order tensor completion problem）（通过预测A中为被观测到的实体）。
张量分解的第一种方法是Tucker 分解（TD）。这种方法是HOSVD的潜在张量分解模型（underlyingtensor factorization model）。TD将张量分解为一个矩阵集和一个小的core tensor。第二种方法为PARAFAC方法（PARAllelFACtor analysis），它和TD一样存在约束要求core tensor为对角的（diagonal）。第三种方法是PITF方法（PairwiseInteraction Tensor Factorization），它是TD的特例，在学习和预测上运行时间均为线性。第四种方法为低阶张量分解（Low-order Tensor Decomposition, LOTD）。
本文主要介绍的分解方法是高阶SVD（High OderSVD, HOSVD），它是SVD的延伸。特别的，我们会用一个小例子一步步来说明HOSVD的实现。然后，我们会说明当一个新的用户在我们的推荐系统注册时该如何更新HOSVD。我们还会讨论HOSVD如何与其他平衡推荐质量的方法相结合。最后，我们会提供在STSs的张量分解在真实数据集上的实验结果。我们还会讨论会用到的metric。我们的目标是说明影响算法效率的主要因素。
原文链接：http://dl.acm.org/citation.cfm?id=2959195
2.MATRIX DECOMPOSITION
矩阵分解（matrix factorization）是将一个矩阵分解为多个矩阵相乘结果的过程，它对发掘参与实体（participating entities, 如用户和商品）的数据中的潜在关系有着重要意义。在简化形式中，矩阵分解方法仅用两个矩阵，这两个矩阵各自包含了用户特征因素（user-feature factor）间的相关性（correlation）与商品特征因素（item-featurefactor）间的相关性。
为预测一个用户对一部电影的评分（rating），我们可以计算电影和用户在图上的坐标[x, y]间的点积（dot product）。
下面介绍基本矩阵分解方法。第一种方法为特征值分解（Eigenvalue Decomposition）。这种方法将原矩阵分解为矩阵的标准型（canonical form）。第二种方法为非负矩阵分解（Non-Negative MatrixFactorization, NMF）。这种方法将原矩阵分解为两个较小的矩阵，且每个小矩阵的每个元素都非负。第三种方法为概率矩阵分解（Probabilistic MatrixFactorization, PMF）。这种方法适用于大型数据集。PMF方法在用了球形高斯先验（spherical Gaussian priors）的高度稀疏（very sparse）和不均衡（imbalanced）数据集上表现较好。第四种方法为概率潜在语义分析（Probabilistic Latent Semantic Analysis, PLSA）。源于潜在类别模型（latentclass model）的混合分解（mixture decomposition）是该方法的基础。最后一种方法为CUR Decomposition。这种方法confronts the problemof density in the factorized matrices(a problem that is faced on SVD method)。我们还会详细描述SVD和UV分解。我们将用目标函数（objectivefunction）衡量预测值与用户真实评分之间的误差，并将其的最小化。另外，目标函数还被加入了友情的约束来平衡推荐的质量（additional constraint offriendship is added in the objective function to leverage the quality ofrecommendations）。
最后，我们对比了SVD和UV分解算法，对结合了SVD的CF算法的表现进行了研究。
3.TENSORDECOMPOSITION
由于在许多情况下，数据为三元关系（ternary relation）（如SocialTagging Systems(STSs), Location-based social network(LBSNs)），许多一开始被设计成针对矩阵的推荐算法无法应用。高阶问题成为新的挑战。比如，STSs的三元关系可以被表示为三阶张量
张量分解的第一种方法是Tucker 分解（TD）。这种方法是HOSVD的潜在张量分解模型（underlyingtensor factorization model）。TD将张量分解为一个矩阵集和一个小的core tensor。第二种方法为PARAFAC方法（PARAllelFACtor analysis），它和TD一样存在约束要求core tensor为对角的（diagonal）。第三种方法是PITF方法（PairwiseInteraction Tensor Factorization），它是TD的特例，在学习和预测上运行时间均为线性。第四种方法为低阶张量分解（Low-order Tensor Decomposition, LOTD）。
本文主要介绍的分解方法是高阶SVD（High OderSVD, HOSVD），它是SVD的延伸。特别的，我们会用一个小例子一步步来说明HOSVD的实现。然后，我们会说明当一个新的用户在我们的推荐系统注册时该如何更新HOSVD。我们还会讨论HOSVD如何与其他平衡推荐质量的方法相结合。最后，我们会提供在STSs的张量分解在真实数据集上的实验结果。我们还会讨论会用到的metric。我们的目标是说明影响算法效率的主要因素。
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
