贺语盈-2016.8.12组会-基于分层泊松分解的可扩展推荐算法

Heryuying

标题：基于分层泊松分解的可扩展推荐算法（Scalable Recommendation with Hierarchical Poisson Factorization）

摘要：推荐系统是现代网络中至关重要的一个环节，它根据用户历史行为数据对未产生过行为的商品进行预测。本文提出了一个基于用户隐式反馈的分层泊松分解（Hierarchical Poisson Factorization，HPF）算法，认为用户的行为数据是服从泊松分布的，再采用变分推断算法来近似后验分布。跟已有的推荐算法相比，HPF的输入值只考虑正样本，省去了人工生成负样本的过程，同时易于被扩展到更复杂的结构中。

HPF新特性：
（1）处理稀疏因子的效果更好。
（2）可以尽可能发掘到长尾用户和物品。
（3）对0值的影响进行降权。
（4）运算速度大幅提升

实验结果：分别在四个真实的不同类型的数据集（论文、音乐、新闻和电影）上进行测试，推荐的平均精度和召回率和运算速度都远优于传统算法，同时对于活跃度较低的用户也能获得优质的推荐结果。

参考论文：
[1] P. Gopalan, J. Hofman, and D. Blei.   Scalable recommendation with hierarchical Poisson factorization.   Uncertainty in Artificial Intelligence, 2015.

具体内容参考如下ppt：