一、摘要:

本文模型 LRML(潜在相关度量学习)是一种新的度量学习方法的推荐。【旨在学习用户和项目之间的相关关系,而不是简单的用户和项目之间的push和pull关系,push和pull主要针对LMNN算法】

为了做到这一点,本文采用了一个增强的存储器模块,并通过这些记忆块来构建用户和项目潜在的关系。

二、引言:

(1)MF的总体思想如下:用户和项目被表示为一个矩阵,然后被分解为潜在的组件,这些组件也可以被解释为使用内部产品来建模用户和项目之间的关系。但其内积违反了三角不等式,故CML被提出。

(2)CML的缺点:

  • CML的评分函数具有明显的几何约束性。给定用户-项目交互,CML试图将这对匹配到向量空间中的相同点。【考虑到协作排序问题的多对多性质,从几何角度来看,在向量空间中执行良好的拟合可能确实具有挑战性,特别是因为每个用户和项目的最佳点是在向量空间中的单个点。直观地,这试图将用户及其所有交互项目放入同一点上,即几何上拥挤且不灵活。虽然可以学习用户-用户和项-项相似性集群,但这是以对问题进行排序的精确性和准确性为代价的,特别是对于存在数百万交互的大型数据集】
  • CML是一个不适定的代数系统[36],它进一步加强和加剧了几何不灵活性问题。

原因:

本文模型LRML(潜在关系度量学习)学习用户和项目交互之间的自适应关系向量,找到每个交互对之间的最优翻译向量。

 (3)LRML与CML的区别:CML聚于一点

(4)注意力机制:本文主要用来学习用户和项目之间的交互关系。

三、模型:

CML:令 p ≈ q,会使所有的 用户项目向量聚集于一点

LRML:p + r ≈ q,r为用户-项目关系向量。

(1)Embedding Layer

P = Rd×|U|,Q=Rd×|I|,|U|、|I|是全部用户和项目的数量,d是用户和项目向量的维度。

(2)LRAM——Latent Relational Attentive Memory Module

①联合用户-项目向量:Joint User-Item Embedding.

其中s为联合向量。s∈Rd,⊙是 Hadamard product。【矩阵乘法】

②User-Item Key Addressing.

③Generating Latent Relations via Memory-based Attention.

(3)Optimization and Learning

①Relational Modeling Layer.

②Objective Function.

10、Latent Relational Metric Learning via Memory-based Attention for Collaborative Ranking-----基于记忆注意的潜在关系度量协同排序的更多相关文章

  1. 论文笔记:Learning Dynamic Memory Networks for Object Tracking

    Learning Dynamic Memory Networks for Object Tracking  ECCV 2018Updated on 2018-08-05 16:36:30 Paper: ...

  2. 论文笔记之: Deep Metric Learning via Lifted Structured Feature Embedding

    Deep Metric Learning via Lifted Structured Feature Embedding CVPR 2016 摘要:本文提出一种距离度量的方法,充分的发挥 traini ...

  3. 论文笔记之:MatchNet: Unifying Feature and Metric Learning for Patch-Based Matching

    MatchNet: Unifying Feature and Metric Learning for Patch-Based Matching CVPR  2015 本来都写到一半了,突然笔记本死机了 ...

  4. A Statistical View of Deep Learning (III): Memory and Kernels

    A Statistical View of Deep Learning (III): Memory and Kernels Memory, the ways in which we remember ...

  5. 配置和运行 MatchNet CVPR 2015 MatchNet: Unifying Feature and Metric Learning for Patch-Based Matching

    配置和运行 MatchNet CVPR 2015 GitHub: https://github.com/hanxf/matchnet 最近一个同学在配置,测试这个网络,但是总是遇到各种问题. 我也尝试 ...

  6. Metric Learning度量学习:**矩阵学习和图学习

    DML学习原文链接:http://blog.csdn.net/lzt1983/article/details/7884553 一篇metric learning(DML)的综述文章,对DML的意义.方 ...

  7. 12、Camel: Content-Aware and Meta-path Augmented Metric Learning for Author Identification----作者识别

    摘自:https://blog.csdn.net/me_yundou/article/details/80459341 具体看上面链接 一.摘要: 这篇文章主要介绍的是作者识别(author iden ...

  8. 8、Collaborative Metric Learning

    一.摘要: 文章的核心思想:是如何把Metric learning 和 CF结合起来从而达到更好的推荐效果. 提出了CML(Collaborative Metric Learning),其学习一个联合 ...

  9. 论文阅读笔记(五)【CVPR2012】:Large Scale Metric Learning from Equivalence Constraints

    由于在读文献期间多次遇见KISSME,都引自这篇CVPR,所以详细学习一下. Introduction 度量学习在机器学习领域有很大作用,其中一类是马氏度量学习(Mahalanobis metric ...

随机推荐

  1. 如何添加删除子网卡eth0:1(linux案例)

    这种方法实现了单网卡多IP,我的系统是centos7的,如何添加删除子网卡IP详细请看下面操作例子 添加子网卡IP:ifconfig  ens3:1  192.168.0.100/24        ...

  2. jQuery选择器练习中,带空格和不带空格的问题

    <!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title> ...

  3. Virtual address cache memory, processor and multiprocessor

    An embodiment provides a virtual address cache memory including: a TLB virtual page memory configure ...

  4. 今天我也用上了阿里云的Centos

    Redis官方不支持Windows,第三方实现的64位服务端不稳定,因此在我的忽悠之下,公司出钱买了个阿里云的Centos7,4G内存,30G硬盘.现在我也可以真真正正的玩Centos了,python ...

  5. zoj 3034 - The Bridges of Kolsberg

    题目:在河两端有两排server,如今要把河两边同样的品牌型号的机器连起来.每一个电脑有个值, 每一个机器仅仅能与还有一台机器链接.而且不同的链接不交叉,如今要求链接的电脑总之最大. 分析:dp,最大 ...

  6. myeclipse集成svn

    svn安装 这个我在博客中的代码管理里面有些,也是一直next.svn代码管理版本号管理器安装好之后. myeclipse的svn插件 方法一: 然后配置MyEclipse的SVN插件,将插件下载下来 ...

  7. iOS CoreImage图片处理动态渲染(滤镜)

    // //  ViewController.m //  CoreImageOfDong // //  Created by Dong on 15/6/30. //  Copyright (c) 201 ...

  8. 朴素的UNIX之-调度器细节

    0.多进程调度的本质 我们都知道UNIX上有一个著名的nice调用.何谓nice,当然是"好"了.常规的想法是nice值越大越好,实际上,nice值越好,自己的优先级越低.那么为何 ...

  9. 转换Arcgis Server REST接口实现OL2直接调用

    概述: 本文解说怎样通过Arcgis Server REST 的导出地图(Export)接口.实如今OL2中直接以WMS的方式调用Arcgis Server REST服务. 实现思路: 1.rest的 ...

  10. HDU 4912 lca贪心

    Paths on the tree Time Limit: 4000/2000 MS (Java/Others)    Memory Limit: 131072/131072 K (Java/Othe ...