Translation-based Recommendation

前置知识补充

norm

在机器学习中，norm常用来表达两个向量之间的距离关系，也称做p-norm，其定义如下：

当p取1时，称为L1-norm；当p取2时，称为L2-norm。

为了方便计算，对于一个向量X，他的L2-norm可以直接表示成：

符号表

 

新符号的解释：

d（x，y）：即两个向量之间的距离，这里采用的计算方法是L2-norm

 方法假设（Assumption）

作者假设如果用户a在第t-1个物品和第t个物品之间做出了某种动作，那么认为式（1）的右边项为左边项的最近邻居

预测公式（Predition Rule）

对于S序列中的物品t，第t-1个物品转移至第t个物品的可能性如下：

 该方法的核心思想是距离近的两个物品相关性就更高，所以预测公式中，r的大小与距离成负相关。

式（2）中的两个embedding向量V需要在unit ball里面，所以要进行归一化处理。

而对于不在S序列中的物品j，第t-1个物品转移至物品j的可能性如下：

而在测试阶段，和 Fusing Similarity Models with Markov Chains方法一样，即测试时相当于预测第个物品，所以计算距离时embedding的下标应该取，如下所示。

目标函数（Objective Function）  

 

更新公式（Update Rule）

测试时的一个小技巧

由于我们预测公式中有用到bias，所以我们可以将bias做处理后补充在V的末尾，将V增广成d+1维。同样的，我们将近邻的最末尾添加一位0增广成d+1维。

这样一来bias的信息就被加入到V中，方便计算。