SPTF具體來說還是基于張量分解TF的一種方法,同時也還是基于score learning的。

介紹

用戶歷史行為可以被分為兩種類型: 顯示反饋(explicit feedback)和隱式反饋(implicit feedback). explicit feedback包括用戶關于他們感興趣的item的顯示輸入,主要體現在對item的rating(評分)。但是explicit feedback并不總是能夠獲得。更多的情況下,隱式評分通過用戶的行為例如點擊或不點擊,買或不買等表達出來,這些更容易常見也更容易獲得。關于implicic feedback的一個缺陷就是只有正反饋我們才能觀察到(比如user點擊了某件item,或者購買了item等,對于不點擊和不購買我們無法獲知,且那些negative中并不是所有的都是對此不感興趣,也可能user暫時不買,以后會買等)。 僅僅根據上面所說的正樣例或者可觀察到的協同過濾(CF)我們成為one-class Collaborative Filtering(OCCF).
現在很多工作集中在同質的用戶行為上,并沒有考慮到現實世界中用戶行為的多樣性和異質性。比如,典型的電商平臺中用戶的行為類型最少有四種(點擊,加入購物車,收藏,購買)。不同的用戶行為類型暗示著不同的語義和用戶意圖。人們和item交互的方式在理解用戶意圖和建模用戶興趣時是關鍵。也就是說我們關注的不是用戶和什么交互了,而是用戶怎樣和item交互。另外,在單一行為類型上的(例如購買)用戶隱式反饋數據是很稀疏的,因此，必須集體利用豐富的異構行為數據來增強每種類型的行為預測，尤其是對稀疏行為類型的預測（例如，購買預測）。
在這個論文中作者提出了SPTF模型,每個用戶行為記錄都是三元組(user,type,item)表示而不是二元組,我們區分不同的行為類型因為他們傳達了不同的語義。SPTF為每個user,item,type學習潛在的向量表示。張量是對象之間多種關系的有用方式，張量因子分解被視為預測未來他們可能關系的重要手段。但是現存的TF模型

總結

以上是生活随笔為你收集整理的A Scalable Probabilistic Tensor Factorization(SPTF)论文小结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。