科研之友
微信
新浪微博
Facebook
分享链接
摘要
无向、高维、稀疏网络是工业中经常遇到的问题，通常用高维、对称、稀疏矩阵来描述.潜在因子模型是从高维稀疏矩阵的少量已知信息中提取有用知识的一种经典方法.随着深度学习广泛应用于机器学习，以矩阵分解形式的深度潜在因子模型被提出.然而，目前多层次的矩阵分解模型其本质是线性模型，并难以满足矩阵非负性和对称性的要求.本文提出了非线性的深度非负、对称潜在因子模型(DNSLF)用于高维对称稀疏数据补全；在多层潜在因子之间搭建非线性映射的传递函数，严格保证了目标矩阵的非负性和对称性；为了更高效的求解模型，设计了一个步长自适应的迭代优化算法.通过与一些较新的潜在因子模型的对比实验结果表明，新提出的方法在高维对称稀疏矩阵补全时有显著的优越性.
- 单位
