Multilayer tensor factorization with applications to recommender systems
多层张量分解及其在推荐系统中的应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要中的潜在因子用于张量推荐系统，未涉及宏观或金融因子模型，故不据“因子”一词分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多层张量分解及其在推荐系统中的应用
- 研究问题
- 张量推荐系统如何整合多个维度的信息、刻画个体之间的依赖，并在新客户、新产品或新情境缺乏历史信息时处理冷启动？
- 方法与思路
- 作者提出多层推荐引擎REM，在张量模型中加入嵌套潜在因子并使用子群信息，结合最大块改进策略与循环分块坐标下降实现计算。
- 材料陈述的贡献
- 摘要称研究了算法从任意初值出发的收敛性质、局部收敛及参数一致性，并通过模拟与大规模销售数据展示相较已有方法的表现。
- 阅读关注点
- 应核对子群信息如何获得、嵌套因子的模型限制，以及收敛结论的具体含义；冷启动实验需检查信息可用范围和基准设置。
- 阅读边界
- 仅依据OpenAlex索引摘要，稿件版本未注明。摘要未给出理论条件、比较数值或数据划分，不能把收敛性质解释为全局最优保证。
原文摘要
Recommender systems have been widely adopted by electronic commerce and entertainment industries for individualized prediction and recommendation, which benefit consumers and improve business intelligence. In this article, we propose an innovative method, namely the recommendation engine of multilayers (REM), for tensor recommender systems. The proposed method utilizes the structure of a tensor response to integrate information from multiple modes, and creates an additional layer of nested latent factors to accommodate between-subjects dependency. One major advantage is that the proposed method is able to address the “cold-start” issue in the absence of information from new customers, new products or new contexts. Specifically, it provides more effective recommendations through sub-group information. To achieve scalable computation, we develop a new algorithm for the proposed method, which incorporates a maximum block improvement strategy into the cyclic blockwise-coordinate-descent algorithm. In theory, we investigate algorithmic properties for convergence from an arbitrary initial point and local convergence, along with the asymptotic consistency of estimated parameters. Finally, the proposed method is applied in simulations and IRI marketing data with 116 million observations of product sales. Numerical studies demonstrate that the proposed method outperforms existing competitors in the literature.