因式分解处理具有隐式反馈的数据集

《Factorization Machines for Datasets with Implicit Feedback》论文阅读笔记

FM是协同过滤一种分解模型，比其他的CF模型有优势。
存在问题：FM是针对具有显式反馈（如评级）的数据集进行优化的，对于具有隐式反馈（如点击）的数据集并不是很有效。
本文：提出FM-Pair（带有成对损失函数的因式分解机，对于具有隐式反馈的数据集是有效的）。 FM-Pair中的优化模型是基于BPR（Bayesian Personalized Ranking）准则建立起来的成对优化模型。既保留了FM在通用性、表达性和性能等方面的优点，也可以用于具有隐式反馈的数据集。并将FM-Pair有效地应用于两个协同过滤问题，即上下文感知推荐和跨域协同过滤。
MF考虑学习用户，项目的隐向量；FM（与传统分解技术的不同：输入是特征向量）不仅学习用户项目的隐向量，还有它们之间的关系（借助辅助特征【用户特征，项目特征，用户-项目交互的上下文或者额外信息等】）。
FM-pair：假定所有观察到的正反馈都优于缺失的喜好。
训练数据：一个用户和一对项目（一个正项目，从用户的正反馈中获得；一个负项目，从未观察到的交互中得到），最后通过最大似然估计优化参数。