• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE transactions on industrial informatics >Unraveling Metric Vector Spaces With Factorization for Recommendation
【24h】

Unraveling Metric Vector Spaces With Factorization for Recommendation

机译：解开度量标准矢量空间与建议的分解

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Unlike all prior work, in this article, we investigate the notion of "unraveling metric vector spaces," i.e., deriving meaning and low-rank structure from distance or metric space. Our new model bridges two commonly adopted paradigms for recommendations-metric learning approaches and factorization-based models, distinguishing itself accordingly. More concretely, we show that factorizing a metric vector space can be surprisingly efficacious. All in all, our proposed method, factorized metric learning, is highly effective for two classic recommendation tasks, possessing the potential of displacing many popular choices as an extremely strong baseline. We have done experiments on a number of real-world datasets, which show that our model performs better than recent state of the art largely on the rating prediction and item ranking tasks.
机译：与本文中的所有事先工作不同，我们调查“解开度量矢量空间”的概念，即从距离或度量空间中导出含义和低秩结构。我们的新模型桥接两种通常采用的范式用于建议 - 公制学习方法和基于分解的模型，相应地区分自身。更具体地说，我们表明分解度量矢量空间可能是令人惊讶的。总而言之，我们建议的方法，分解度量学习，对两个经典推荐任务非常有效，具有使许多流行选择的潜力作为极强的基线。我们在许多现实世界数据集进行了实验，这表明我们的模型在很大程度上在额定预测和项目排名任务上的最新状态表现优于最近的技术。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号