Rajiv Pasricha,Julian McAuley
UC San Diego
原文地址:Translation-based Factorization Machines for Sequential Recommendation
代码地址: github地址
摘要:这篇论文提出一种用于序列推荐的算法,TransFM,该算法将基于转移和度量模型与分解机模型结合起来。这种模型可以继承FM的优势,并且可以提高基于转移的模型在序列推荐中的效果。针对每一个特征维度,都学习得到嵌入和转移空间,特征之间的交互强度的度量不再利用内积,而是利用平方欧氏距离。TransFM可以将内容特征融入进去,进而可以大幅度提升模型效果。
相关知识
时序推荐系统
一般使用马尔科夫链,通过分解一个三阶的“cube”来预测用户下一个时刻的购买情况。
TransRes学习了一个潜在项目嵌入空间,用户建立线性平移模型。在矩阵空间中,使用距离函数来替代内积。 该模型
分解机
对所有进行二阶交互的特征建模,并能够自然的推广以解决任意的高阶交互。每个特征交互的权重是根据分解机参数的内积,如下公式所示: