推荐系统中矩阵分解与带重启随机游走的比较研究

在矩阵分解或带重启随机游走（RWR）之间，哪种方法更适用于推荐系统？哪种方法能更好地处理显式或隐式反馈数据？附加信息是否有助于推荐？推荐系统在亚马逊和 Netflix 等许多电子商务服务中发挥着重要作用，用于向用户推荐新物品。在各种推荐策略中，协同过滤利用用户的评分模式表现出了良好的性能。矩阵分解和带重启随机游走是最具代表性的协同过滤方法。然而，尽管它们用途广泛，但尚不清楚哪种方法能提供更好的推荐性能。在本文中，我们对推荐系统中的矩阵分解和 RWR 进行了比较研究。我们根据推荐中的各种任务，精确制定了这两种方法的对应关系。特别是，我们新设计了一种使用全局偏置项的 RWR 方法，该方法对应于使用偏置的矩阵分解方法。我们从推荐质量的各个方面描述了这两种方法的细节，例如它们如何处理协同过滤中典型的冷启动问题。我们在真实世界数据集上进行了广泛的实验，以通过各种指标评估每种方法的性能。我们观察到，矩阵分解在显式反馈评分方面表现更好，而 RWR 在隐式反馈方面表现更好。我们还观察到，利用物品的全局流行度有利于性能提升，且侧信息与显式反馈产生正协同效应，但对隐式反馈产生负面影响。