Translation-based Factorization Machines for Sequential Recommendation

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：