Un enfoque de segundo orden eficiente para factorizar matrices dispersas en sistemas de recomendación

Los sistemas de recomendación son un tipo importante de sistemas de aprendizaje, que se pueden lograr mediante filtrado colaborativo (FC) basado en factores latentes (LF) con alta eficiencia y escalabilidad. Los modelos de FC basados en LF dependen de un proceso de optimización respecto a algunas características latentes deseadas; sin embargo, la mayoría de ellos emplea algoritmos de optimización de primer orden, por ejemplo, esquemas de descenso de gradiente, para llevar a cabo su tarea de optimización, fallando así en descubrir patrones reflejados por información de orden superior. Este trabajo propone construir un nuevo modelo de FC basado en LF a través de optimización de segundo orden para lograr una mayor precisión. Primero investigamos un marco de optimización sin Hessiano y aplicamos su principio para evitar el uso directo de la matriz Hessiana al calcular su producto con un vector arbitrario. Luego proponemos el modelo LF basado en optimización sin Hessiano, que es capaz de extraer factores latentes de las matrices incompletas dadas a través de un proceso de optimización de segundo orden. Comparado con modelos de LF basados en algoritmos de optimización de primer orden, los resultados experimentales en dos conjuntos de datos industriales muestran que el propuesto puede ofrecer una mayor precisión de predicción con una eficiencia computacional razonable. Por lo tanto, es un modelo prometedor para implementar recomendadores de alto rendimiento.