行列式点过程DPP(推荐多样性提升)算法公式详细推导

最新推荐文章于 2023-06-26 01:50:07 发布
置顶 最新推荐文章于 2023-06-26 01:50:07 发布
阅读量2.8k 收藏 12
点赞数 3
分类专栏： 推荐算法 文章标签： 数据挖掘 人工智能 算法 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CDSNQG/article/details/113848038
版权
行列式点过程(DPP)算法用于从候选集合中选择相关且多样的推荐。通过利用矩阵的行列式性质，选取使得张成体积最大的子集。本文详细推导DPP公式，并介绍一种快速计算方法，利用Cholesky分解进行增量更新，以优化推荐多样性。此外，还提供算法实现及代码示例。
摘要由CSDN通过智能技术生成

论文地址

问题描述

一句话概括：行列式点过程要解决的是，从一个候选集合中挑选出既相关又多样的推荐集合，其中候选集合的元素由两部分组成，一部分是文章和用户的相关性，由一个数字表示，另一部分是一个embedding或者向量代表候选是候选集合元素的content representation，论文中做的是拿到计算结果的一种快速计算方法。

本文主要讲解行列式点过程的公式推导，以及自己对此算法的理解，尽量保证讲解的完整性，最后附代码。

问题拆解

假设L是这么一个矩阵：L=B^{T}*B，其中B的每一列为候选集中商品的归一化后的内容向量与用户的相关性分数的乘积，那每一列即有了内容维度的描述，又有了相关性维度的描述，那么L就可以写成如下的形式：

L_{_{ij}} = <B_{i},B_{j}> = <r_{i}f_{j},r_{j}f_{j}>=r_{i}r_{j}<f_{i},f_{j}>

L=Diag(r_{u})\cdot S\cdot Diag(r_{u}))

其中r为相关性分数，f为内容向量。现在咱们要想从上式中求出能最大化多样性和相关性的子集，就需要借助行列式的性质：矩阵的行列式越大，对应的矩阵中任意两两向量的夹角越接近90度，也就是矩阵张成的体积越大，这样就把问题转化为从

最低0.47元/天 解锁文章
闪电鸟
关注
  • 3
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
行列式点过程(Determinantal Point Process)
禅与计算机程序设计艺术
04-26 1万+
本文目录：在机器学习中，**行列式点过程 (determinantal point process, DPP)是一种解决子集选择问题的方法，即从样本集合中选择具有多样性(diversity)**的一个子集。DPP赋予该子集上的分布能够使得选择两个相似程度较高样本的概率是负相关的，即越相似的样本越不容易被同时采样到。一般地，行列式点过程P\mathcal{P}P是在一个离散的有限基本点集Y={1,2,...,N}\mathcal{Y} = \{1,2,...,N\}Y={1,2,...,N}的幂集2Y2^\m
行列式点过程 (Determinantal Point Process, DPP)
最新发布
qq_46600553的博客
01-31 1364
行列式点过程(Determinantal Point Process, DPP)是一种概率模型，用来从全集Z\bm{Z}Z中抽取相关性和多样性最大的子集A\bm{A}A。子集被抽中的概率等于子集核矩阵的行列式与全集核矩阵的行列式的比值，即PLAdetLAdetLI(1)PL​AdetLIdetLA​​1其中，III为单位矩阵，∣P∣N|P|=N∣P∣N。核矩阵LLL。
范德蒙德行列式推导过程
data_curd的博客
11-08 1万+
行列式的计算公式推导
arm11082的专栏
07-01 3711
推荐系统论文拾遗之1——行列式点过程(DPP)多样性控制
路漫漫其修远兮
03-29 5562
推荐系统论文拾遗之1——DPP多样性控制背景解决方案DPP多样性控制工程实践 背景 推荐系统大多会经过召回、粗排、精排和策略层后展示给用户，精排中大多数是以CTR为基础目标的。当给一个用户推荐内容时，往往可能造成某一个兴趣点的内容比较集中，虽然预估CTR会比较高，但未必能得到用户的青睐，主要原因在于用户的兴趣往往不是单峰的。比如一个用户可能会有综艺、美食、体育这三大类兴趣，但是在整个推荐系统中，综...
【推荐系统】行列式点过程(DPP)算法推导
Light.T的博客
11-24 3781
DPP 一、背景 推荐系统主要解决用户和物品之间的相关性，以及推荐列表的多样性。相关性主要通过用户兴趣和物品之间的匹配程度来衡量，希望把用户感兴趣的物品推荐给用户，可以通过CTRß预估模型来构建。多样性的衡量没有那么直观，一种方法是计算不同Item之间的cosin值，值越小表明多样性越好。 Hulu在NIPS 2018会议上发表的论文《Fast Greedy MAP Inference for Determinantal Point Process to Improve Recommendation Div
基于行列式点过程的推荐多样性提升算法（31页）.pdf
03-04
总之，基于行列式点过程的推荐多样性提升算法是解决推荐系统多样性问题的一种有效途径。通过引入DPP，我们可以构建出既具有高度相关性又能体现多样性的推荐列表，从而改善用户体验，促进用户与平台的互动，提高推荐...
dpp.zip_dpp_dpp算法包_dpp算法成熟包_quality_兴全合宜混合a
07-15
通过行列式点过程，可以选取高质量，高多样性的特征
种子填充法matlab代码-k-dpp:基于k-行列式点过程的空间抽样设计
06-02
种子填充法matlab代码基于k-行列式点过程的空间抽样设计 这些文件作为时空气候数据字段的模型和监测设计的补充材料，由 Camila Casquilho 提供，可在不列颠哥伦比亚大学 (UBC) 在线获取。 该存储库包含实现基于 k-...
dpp:Python包可从行列式点流程中采样
05-20
Python包，用于从确定性点流程中采样。 基于Alex Kulesza的Matlab代码（ ） 使用matlab_wrapper调用A. Kulesza的Matlad代码，因此在使用该软件包之前，请确保已安装Matlab并将matlab路径添加到您的.bashrc文件中。...
dpp:DPP算法实现
03-21
DPP多样性算法实现 文件说明 演示文件夹下面是Java版本的实现demo 其他文件夹下面是C ++版本和Python版本的实现演示 src文件夹下是一个SpringBoot工程，将DPP算法工程化，对外提供REST服务。 多样算法介绍 性能调优
【人工智能的数学基础】行列式点过程(Determinantal Point Process)
禅与计算机程序设计艺术
06-26 4889
在机器学习中，**行列式点过程 (determinantal point process, DPP)是一种解决子集选择问题的方法，即从样本集合中选择具有多样性(diversity)**的一个子集。DPP赋予该子集上的分布能够使得选择两个相似程度较高样本的概率是负相关的，即越相似的样本越不容易被同时采样到。一般地，行列式点过程PP是在一个离散的有限基本点集Y12NY12...N的幂集2Y2Y上定义的概率测度 (probability measure)。
《基于行列式点过程的推荐多样性提升算法》原理详解
Yummy
12-06 1万+
本文将详细讲解Hulu在NIPS 2018 会议上发表的《Fast Greedy MAP Inference for Determinantal Point Process to Improve Recommendation Diversity》中，提出的基于行列式点过程的推荐多样性提升算法。 引言 随着机器学习技术日益成熟，机器学习的应用领域也越来越广。其中，推荐领域是机器学习一个比较常...
行列式的基础知识整理
热门推荐
漂亮的小羽毛
12-31 2万+
行列式基本知识
从多样性谈起到dpp
程序人生
04-10 1086
在推荐算法中，除了要考虑个性化，还要兼顾多样性，不然用户很快就会觉得单调无趣。 在衡量推荐结果的多样性时，自然而然能想到的是统计推荐结果中含有不同tag的个数，tag的个数越多，多样性越好。但是这种指标有个问题，它与用户看的内容条数正相关，用户看的内容条数越多，自然tag个数会越多。假设一条feed平均有3个tag，只看了1条feed用户的多样性指标是3；看了10条feed的用户，总共有30个 tag，假设有50%的重合度，有15个不同tag，大大高于看了1条feed的用户。 为了抵消feed条数的影响，于
行列式点过程（一）
Jony0917的专栏
04-23 682
行列式点过程DPP是离散有限点集Y={1,2,...N}\mathcal{Y}=\{1,2,...N\}Y={1,2,...N}的幂集2Y2^{\mathcal{Y}}2Y上的概率分布。 体积与格拉姆矩阵 Lij=g⃗(i)g⃗(j),i,j∈YL_{ij}=\vec{g}(i)\vec{g}(j), i,j\in YLij​=g​(i)g​(j),i,j∈Y det(LY)=det(g⃗(i)g⃗(j):i,j∈Y)det(L_Y) = det(\vec{g}(i)\vec{g}(j):i,j\in Y)
DPP重排算法
程序认生
04-25 5144
一、背景 多样性和相关性是衡量推荐系统的常用的指标，这两个指标同时影响着推荐系统的商业目标和用户体验。假设我们有一个待推荐的候选商品集合，针对一个给定的用户，推荐系统需要选择商品集合中的个商品展现给用户，同时希望展现给用户的商品列表满足一定相关性和多样性。这就是我们要解决的问题，那么首先我们必须弄清楚如何衡量相关性和多样性。Hulu在NIPS 2018 会议上发表的论文《Fast Greedy MAP Inference for Determinantal Point...
DPP多样性
大数据
11-04 2488
一、推荐系统目标 推荐系统的目标主要包含两个方面：Exploitation和Exploration 。 在Exploitation中最重要的是Relevance( 相关性 ) 的计算，其根本思想是根据用户浏览、观看和收藏的内容等用户行为数据推测该用户可能采取的行动。常见的推荐算法大多是基于针对该目标的优化而展开的。 然而用户行为数据在现实中很可能过少、不足以全面地体现用户的兴趣。这一现象在冷启动等场景中很常见。此时推荐系统还有责任挖掘用户尚未表现出的兴趣，并且避免由于现有行为数据...
基于行列式点过程的推荐多样性提升算法
小小挖掘机
07-05 1210
文章作者：陈拉明 Hulu编辑整理：李岩哲内容来源：DataFun AI Talk出品社区：DataFun注：欢迎转载，转载请注明出处一、推荐系统目标推荐系统的目标主要包...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值