Top-K推荐中的自适应概率度量学习

摘要：随着互联网内容和服务地迅速增长，用户发掘感兴趣产品的难度也日益增长。因此，个性化推荐系统发挥着越来越重要的作用。尽管矩阵分解和基于深度学习的方法已被证明能有效地对用户偏好进行建模，但它们的偏好度量方式违反了三角不等性因而无法捕获更细粒度的偏好信息。为了解决这个问题，我们提出了一个基于距离度量的推荐模型，该模型具有几个有趣的方面：(i) 每个用户和物品都通过高斯分布进行参数化以捕获学习过程中的

>>阅读原文<<