文書推薦のための複数のグラフの学習

ウェブは異なる意味を持つ豊富な関係データを提供します。本論文では、引用によってネットワークされた文書があり、さまざまな関係によって他のエンティティに関連付けられているデジタルライブラリにおける文書推薦の問題に取り組みます。単一のグラフのスパース性とグラフ構築におけるノイズのために、文書の類似性を測定するために複数のグラフを組み合わせる新しい方法を提案し、異なるグラフの性質に基づいて異なる因子分解戦略が使用されます。特に新しい方法は、文書の相対的な類似性を潜在空間で捉える単一の低次元埋め込みを求めます。得られた埋め込みに基づき、グラフ上での半教師あり学習を使用した新しい推薦フレームワークが開発されます。さらに、スケーラビリティの問題に対処し、増分アルゴリズムを提案します。新しい増分方法は、新たに受信した文書の埋め込みのみを計算することによって効率を大幅に向上させます。新しいバッチおよび増分方法は、CiteSeerから準備された2つの実データセットで評価されます。実験は、バッチ法の質の大幅な改善と、増分法での許容可能な質の損失に対する効率の大幅改善を示しています。