2025《低秩张量补全算法研究现状文献综述》1900字.docxVIP

PAGE

PAGE31

低秩张量补全算法研究现状文献综述

对一般数据完整的矩阵求解自然可以运用经典的矩阵低秩近似算法，如奇异值分解（SVD）、主成分分析（PCA）等，但是对于有数据缺失的情况，可以根据现实世界中数据低秩的特性，利用数据空间中数据之间的低秩关联结构解决低秩矩阵和张量补全问题。如NetflixPrizeADDINEN.CITEEndNoteCiteAuthorBennett/AuthorYear2007/YearRecNum131/RecNumDisplayTextstyleface=superscript[1]/style/DisplayTextrecordrec-number131/rec-numberforeign-keyskeyapp=ENdb-id=ep09pswxdx9eeoe9epe5srru9spet9w5ffeatimestamp=1615378710131/key/foreign-keysref-typename=ConferenceProceedings10/ref-typecontributorsauthorsauthorBennett,James/authorauthorLanning,Stan/author/authors/contributorstitlestitleThenetflixprize/titlesecondary-titleProceedingsofKDDcupandworkshop/secondary-title/titlespages35/pagesvolume2007/volumedatesyear2007/year/datespublisherCiteseer/publisherurls/urls/record/Cite/EndNote[1]大赛的推荐系统，根据每个用户有限的电影评分数据预测用户可能喜欢的电影，由于元素用户与评分数据间具有一定关联，该推荐系统就可以看作一个低秩矩阵补全问题，利用部分已知的矩阵的低阶结构来补全不完整矩阵。低秩张量补全问题的求解和低秩矩阵补全问题思路相似，利用嵌入到数据中的低秩结构并最小化所需张量的秩以补全缺少的元素，两者都是秩最小化算法中一种典型的应用，因此低秩张量补全问题可以看作低秩矩阵补全问题的高阶扩展。

然而众所周知矩阵秩最小化问题是NP难问题，常见的操作是通过凸松弛的方法转换成核范数最小化问题。Liu等人ADDINEN.CITEEndNoteCiteAuthorLiu/AuthorYear2012/YearRecNum160/RecNumDisplayTextstyleface=superscript[19]/style/DisplayTextrecordrec-number160/rec-numberforeign-keyskeyapp=ENdb-id=ep09pswxdx9eeoe9epe5srru9spet9w5ffeatimestamp=1616247283160/key/foreign-keysref-typename=JournalArticle17/ref-typecontributorsauthorsauthorLiu,Ji/authorauthorMusialski,Przemyslaw/authorauthorWonka,Peter/authorauthorYe,Jieping/author/authors/contributorstitlestitleTensorcompletionforestimatingmissingvaluesinvisualdata/titlesecondary-titleIEEEtransactionsonpatternanalysismachineintelligence/secondary-title/titlesperiodicalfull-titleIEEEtransactionsonpatternanalysismachineintelligence/full-title/periodicalpages208-220/pagesvolume35/volumenumber1/numberdatesyear2012/year/datesisbn0162-8828/isbnurls/urls/record/Cite/EndNote[19]在矩阵核范数的工作基础上提出了张量核范数的定义，并且类似于矩阵补全，将张量补全问题化为凸优化问题，即低秩张量补全问题（Low-rankTensorCompletion，LRTC），为了解决矩阵直接扩展后多重约束下元素之间