nach oben

Erschienen in:

2017 | OriginalPaper | Buchkapitel

Make Users and Preferred Items Closer: Recommendation via Distance Metric Learning

verfasst von : Junliang Yu, Min Gao, Wenge Rong, Yuqi Song, Qianqi Fang, Qingyu Xiong

Erschienen in: Neural Information Processing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Recommender systems can help to relieve the dilemma called information overload. Collaborative filtering is a primary approach based on collective historical ratings to recommend items to users. One of the most competitive collaborative filtering algorithm is matrix factorization. In this paper, we proposed an alternative method. It aims to make users be spatially close to items they like and be far away from items they dislike, by connecting matrix factorization and distance metric learning. The metric and latent factors are trained simultaneously and then used to generate reliable recommendations. The experiments conducted on the real-world datasets have shown that, compared with methods only based on factorization, our method has advantage in terms of accuracy.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Anomaly Detection for Categorical Observations Using Latent Gaussian Process

Nächstes Kapitel Deep Bi-directional Long Short-Term Memory Model for Short-Term Traffic Flow Prediction

Hernando, A., Bobadilla, J., Ortega, F.: A non negative matrix factorization for collaborative filtering recommender systems based on a Bayesian probabilistic model. Knowl. Based Syst. 97, 188–202 (2016)CrossRef

Hocke, J., Martinetz, T.: Global metric learning by gradient descent. In: Wermter, S., Weber, C., Duch, W., Honkela, T., Koprinkova-Hristova, P., Magg, S., Palm, G., Villa, A.E.P. (eds.) ICANN 2014. LNCS, vol. 8681, pp. 129–135. Springer, Cham (2014). doi:10.1007/978-3-319-11179-7_17

Hsieh, C.K., Yang, L., Cui, Y., Lin, T.Y.: Collaborative metric learning. In: Proceedings of the 26th International Conference on World Wide Web, pp. 193–201. ACM (2017)

Jamali, M., Ester, M.: A matrix factorization technique with trust propagation for recommendation in social networks, pp. 135–142 (2010)

Khoshneshin, M., Street, W.N.: Collaborative filtering via Euclidean embedding. In: ACM Conference on Recommender Systems, pp. 87–94 (2010)

Koren, Y.: Collaborative filtering with temporal dynamics. Commun. ACM 53(4), 89–97 (2010)CrossRef

Koren, Y., Bell, R.M., Volinsky, C.: Matrix factorization techniques for recommender systems. IEEE Comput. 42(8), 30–37 (2009)CrossRef

Kulis, B., et al.: Metric learning: a survey. Found. Trends \(\textregistered \). Mach. Learn. 5(4), 287–364 (2013). Now Publishers, Inc.

Lu, J., Wu, D., Mao, M., Wang, W., Zhang, G.: Recommender system application developments: a survey. Decis. Support Syst. 74, 12–32 (2015)CrossRef

10.

Nguyen, B., Morell, C., De Baets, B.: Supervised distance metric learning through maximization of the Jeffrey divergence. Pattern Recog. 64, 215–225 (2017). ElsevierCrossRef

11.

Qian, Q., Jin, R., Yi, J., Zhang, L., Zhu, S.: Efficient distance metric learning by adaptive sampling and mini-batch stochastic gradient descent (SGD). Mach. Learn. 99(3), 353–372 (2015)MathSciNetCrossRefMATH

12.

Salakhutdinov, R., Mnih, A.: Probabilistic matrix factorization. In: International Conference on Neural Information Processing Systems, pp. 1257–1264 (2007)

13.

Wang, J., Deng, Z., Choi, K., Jiang, Y., Luo, X., Chung, F., Wang, S.: Distance metric learning for soft subspace clustering in composite kernel space. Pattern Recogn. 52, 113–134 (2016)CrossRef

14.

Wu, P., Hoi, S.C.H., Zhao, P., Miao, C., Liu, Z.: Online multi-modal distance metric learning with application to image retrieval. IEEE Trans. Knowl. Data Eng. 28(2), 454–467 (2016)CrossRef

Titel: Make Users and Preferred Items Closer: Recommendation via Distance Metric Learning
verfasst von: Junliang Yu
Min Gao
Wenge Rong
Yuqi Song
Qianqi Fang
Qingyu Xiong
Verlag: Springer International Publishing
Buch: Neural Information Processing
Print ISBN: 978-3-319-70138-7

Electronic ISBN: 978-3-319-70139-4

Copyright-Jahr: 2017
DOI: https://doi.org/10.1007/978-3-319-70139-4_30

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"