问题介绍
度量学习算法通过学习生成什么样的距离度量来帮助解决数据间的重要关系。
传统的CF(主要以MF,TF为主)的方法只能学习到user-item之间的潜在关系而无法学习到user-user,item-item的Similarity。本文作者将传统的CF与Metric Learning相结合提出CML,学习到了user-item，以及user-user,item-item的similarity。在借助用户隐式评分下产生了state-of-the-art的Top-k推荐结果。
简介
这里我们需要学习一种度量,使得给相似的pair一个较小的距离,给不相似的pair一个较大的距离。
这里的Metric需要满足三角不等式 (triangle inequality):
即任意两边和大于第三边。也就是说如果x和y,z都相似,那么我们的Metric肯定给dis(x,y