Mixture-Rank Matrix Approximation für Collaborative Filtering

Niedrigrang-Matrixapproximation (LRMA)-Verfahren haben gegenwärtig hervorragende Genauigkeit unter den heutigen Collaborative-Filtering-(CF)-Methoden erzielt. Bei den bestehenden LRMA-Verfahren wird typischerweise eine feste Rangzahl für die Nutzer-/Artikel-Feature-Matrizen verwendet, d. h., der gleiche Rang wird zur Beschreibung aller Nutzer und Artikel herangezogen. Unsere Untersuchungen zeigen jedoch, dass in derselben Nutzer-Artikel-Bewertungsmatrix Untermatrizen mit unterschiedlichen Rängen gleichzeitig existieren können. Daher können Approximationen mit festem Rang die internen Strukturen der Bewertungsmatrix nicht vollständig erfassen, was zu einer verminderten Empfehlungsgenauigkeit führt. In diesem Artikel wird ein Mischrangs-Matrixapproximationsverfahren (MRMA) vorgestellt, bei dem Nutzer-Artikel-Bewertungen durch eine Mischung verschiedener LRMA-Modelle mit unterschiedlichen Rängen charakterisiert werden können. Gleichzeitig wird ein Lernalgorithmus vorgeschlagen, der auf iterierten bedingten Moden (Iterated Conditional Modes, ICM) basiert, um das nicht-konvexe Optimierungsproblem im Zusammenhang mit MRMA zu lösen. Experimentelle Studien an den Datensätzen MovieLens und Netflix zeigen, dass MRMA sechs state-of-the-art-LRMA-basierte CF-Methoden hinsichtlich der Empfehlungsgenauigkeit übertrifft.