徐亦達團隊在IEEE Transactions on Knowledge and Data Engineering 的發表了一篇機器學習論文

• Magnitude Bounded Matrix Factorisation for Recommender Systems（模限界矩陣分解）

論文第一作者：姜帥，徐亦達老師和北理工李侃老師的共同博士生

徐亦達教授簡介：

現任悉尼科技大學教授，UTS 全球數據技術中心機器學習和數據分析實驗室主任。主要研究方向是機器學習，數據分析和計算機視覺。他在國際重要期刊與會議發表數篇高影響因子論文；編寫了大量的數理統計、概率和機器學習教材。

徐老師的 github：

https://github.com/roboticcam

優酷：

http://i.youku.com/i/UMzIzNDgxNTg5Ng

論文介紹

1. Magnitude Bounded Matrix Factorisation for Recommender Systems

論文作者：

Shuai Jiang, Kan Li, and Richard Yi Da Xu

論文鏈接：

http://arxiv.org/pdf/1807.05515

論文摘要

模限界矩陣分解

低秩矩陣分解常被用在推薦系統中，作為提取潛在特征的方法。當處理大規模稀疏數據時，傳統推薦算法存在預測值大量越界且波動的問題。增加限界約束已被證明是解決這一問題的有效方案。然而，現有限界算法只能處理一對固定的邊界，且在應用于大規模數據時非常耗時。在這篇文章中，我們提出一種全新的算法，稱為模限界矩陣分解（Magnitude Bounded Matrix Factorisation, MBMF）。它允許每個用戶或物品的邊界不同，并且能高效處理大規模數據集。這一算法的核心思想是，構造一個能對每個用戶或物品特征向量模長進行約束的模型。通過坐標系變換，設置球面坐標系中向量半徑為相應模長，該算法可將上述約束優化問題轉變為無約束優化問題，后者能被無約束優化算法輕松求解，例如隨機梯度下降。同時，我們探索了一種加速計算方法，并給出了如何從歷史數據中提取模長約束。模擬數據集和真實數據集上的實驗表明，在大多數情況下，MBMF在準確率和時間復雜度上均優于現有算法。

在Synthetic 數據集上的效果

在兩個數據集上的效果

總結

論文下載：http://arxiv.org/pdf/1807.05515

不多說了，徐亦達老師團隊出品，必屬精品，建議下載慢慢看。

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/yFQV7am本站qq群1003271085。加入微信群請掃碼進群：

總結

以上是生活随笔為你收集整理的【首发】徐亦达团队新论文推荐：模限界矩阵分解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。