利用点击数据解决评分预测中冷启动问题的概率模型
信息检索
2018-05-15 v2
摘要
协同过滤中最有效的方法之一是矩阵分解，它基于用户对物品的评分找到用户和物品的潜在向量表示。然而，基于矩阵分解的算法受困于冷启动问题：它无法为没有先前评分的物品找到潜在向量。本文利用可以大量收集的点击数据来解决冷启动问题。我们提出了一种概率物品嵌入模型，该模型从点击数据中学习物品表示，并提出了一种名为 EMB-MF 的模型，将其与用于评分预测的概率矩阵分解相结合。在三个真实世界数据集上的实验表明，所提出的模型不仅在推荐没有先前评分的物品方面有效，而且优于竞争方法，特别是在数据非常稀疏的情况下。
引用
@article{arxiv.1705.02085,
title = {A Probabilistic Model for the Cold-Start Problem in Rating Prediction using Click Data},
author = {ThaiBinh Nguyen and Atsuhiro Takasu},
journal= {arXiv preprint arXiv:1705.02085},
year = {2018}
}
备注
ICONIP 2017