CMF:Relational Learning via Collective Matrix Factorization

Relational Learning via Collective Matrix Factorization

ACM-Ajit P. Singh,Geoffrey J.Gordn-2008

思路

1. 关系学习关注的是在给定实体数据库和实体之间观察到的关系的情况下预测关系的未知值。
2. 在具有多个关系的域中，我们可以通过利用来自一个关系的信息同时预测另一个关系来提高预测精度。于是提出一个集体矩阵分解模型CMF：我们同时分解几个矩阵，当一个实体参与多个关系时，因子之间共享参数。

介绍

1. 关系数据=实体+关系
2. 关系数据库中的实体类型和关系类型的数量是固定的，在这样的领域中的重点是链接预测和关系值预测
3. 我们用广义线性链接函数分解每个关系矩阵，但是当一个实体类型涉及到多个关系时，我们将不同模型的因子联系在一起，即CMF

因子分解

1-5分别是预测链接，损失函数，权重、硬约束、正规化惩罚。
（1）中第二个参数通常是凸的，并且经常分解为X的元素加权和，比如加权奇异值分解（加权SVD）的损失是