【博士论文】具有关系和上下文信息的因子分解模型，178页pdf

互联多模态信息源的日益可用性推动了推荐系统的新概率模型的开发，该模型利用关系数据中的上下文。因此，我们寻求整合上下文信息，以预测用户的信息需求。在这篇论文中，我们关注一组将上下文信息建模到因子化模型的技术，特别是使用隐式反馈(如事件计数)的模型。此外，我们提出了这些模型的分析工具，提高了我们寻找合适超参数的能力。为了将计数(例如，页面中的点击次数)建模为隐式用户反馈，我们选择使用泊松分解作为构建块。然后，我们开发了两个泊松分解模型，其中包括社会网络、项目文本内容和作为上下文信息的周期时间事件，并将其合并到一个联合矩阵和张量分解模型中(第3章和第4章)。我们开发了一个联合层次递归神经网络和一个时间点过程模型来解决多会话推荐的问题，我们观察项目的序列分组到会话序列中，并创建了一个能够提供itens推荐和下一次会话时间预测的模型(第5章)。我们利用并开发了一种基于先验预测分布的方法，该方法允许我们设置泊松因子分解模型的超参数，而不需要将模型与数据拟合，(第6章)这里的一个相关结果是泊松因子分解模型中潜在空间维度的一个封闭形式方程。一般来说，我们将这项工作定位为在推荐系统的背景下利用多关系和计数数据作为上下文信息的信号的概率建模的贡献，贡献范围包括模型设计、分析和超参数选择。