Hits:

Affiliation of Author(s):计算机科学与技术学院/人工智能学院/软件学院

Journal:计算机科学与探索

Key Words:因子分解机;双曲空间;推荐系统;表示学习;流形学习;

Abstract:因子分解机(factorization machine,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(hyperbolic FM,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。文中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。

Translation or Not:no

Date of Publication:2019-06-13

Co-author:王玮皓

Correspondence Author:csc