中国人工智能学会通讯——深度学习与推荐系统 1.2 基于特征的推荐 (Feature-based Recommendation)-阿里云开发者社区

开发者社区> 人工智能> 正文

中国人工智能学会通讯——深度学习与推荐系统 1.2 基于特征的推荐 (Feature-based Recommendation)

简介:

1.2 基于特征的推荐 (Feature-based Recommendation)

协同过滤只考虑用户与物品的交互历史,本质上是用ID表示一个用户或物品。基于特征的推荐方法旨在融合各种其他辅助信息,以提高推荐的准确度。该类算法将用户(ID及其属性)、物品(ID及其属性)和上下文信息统一表示为特性向量作为输入,用于预测目标评分值。图3为一个输入数据表示的实例。

image

在将数据表示为特征向量到目标值的映射之后,传统的有监督学习算法,如逻辑回归、神经网络或支持向量机可以直接使用。但数据高度稀疏的问题使得这些传统机器学习方法效果较差——在对用户ID和物品ID等类别变量进行了one-hot 编码之后,特征向量的维度较高且稀疏。为了解决该问题,受矩阵分解思想(在隐空间中以向量内积的方式建模实体之间的交互)的启发,Rendle于2010年提出了分解机模 型(Factorization Machine,FM)[15,26]。FM将特征向量中的每一个特征表示成一个隐向量,在隐空间中考虑所有非零特征之间的交互

image
image

实际上,FM可以看作是一种浅层的神经网络[27]和表征学习(representation learning)的方法,与近年来流行的分布式表示模型思想一致[28]。与FM类似的浅层线性模型还有SVDFeature[29]和Field-aware FM[30]等;其他常用的基于特征的推荐方法还有基于张量[31]和图[8]的建模方式,这里不展开介绍。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章