Top-K推薦中的自適應概率度量學習

摘要：隨着互聯網內容和服務地迅速增長，用戶發掘感興趣產品的難度也日益增長。因此，個性化推薦系統發揮着越來越重要的作用。儘管矩陣分解和基於深度學習的方法已被證明能有效地對用戶偏好進行建模，但它們的偏好度量方式違反了三角不等性因而無法捕獲更細粒度的偏好信息。爲了解決這個問題，我們提出了一個基於距離度量的推薦模型，該模型具有幾個有趣的方面：(i) 每個用戶和物品都通過高斯分佈進行參數化以捕獲學習過程中的

>>阅读原文<<