双曲因子分解机

• 作者: 王玮皓 陈松灿
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 因子分解机 双曲空间 推荐系统 表示学习 流形学习
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 人工智能
• 页码范围: 590-597
• 页数: 8页
• 分类号: TP391
• 字数: 4970字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1905025

摘要

因子分解机(FM)自提出以来已被广泛用于推荐系统,为了捕捉特征间的二阶交互,FM将任意两个特征的二阶系数表示成欧氏空间中对应嵌入向量的内积.考虑到推荐场景中的对象如商品、用户、属性、上下文信息等,可用具有层次结构的异构网络进行表达,而平坦的欧氏空间无法刻画这种层次结构,限制了FM的特征表示能力,为此提出了双曲因子分解机(HFM).它将每维特征表示为双曲空间而非欧氏空间中的向量,并利用双曲距离度量评估特征间的二阶交互强度.选择双曲空间是因为其被证明更适合树、图和词汇等具有层次结构的对象嵌入.分别设计了基于庞加莱球和基于双曲面两种双曲空间模型的HFM,并导出了对应的黎曼梯度下降优化算法.在多个数据集上的实验结果表明,HFM在等量参数的情形下,获得了比FM更优的性能,同时揭示出了在FM中欠缺的特征间的层次关系,使之具有部分可解释性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈松灿	南京航空航天大学计算机科学与技术学院	120	1370	19.0	32.0
3	王玮皓	南京航空航天大学计算机科学与技术学院	1	0	0.0	0.0