推荐系统中具有多级用户偏好的主动学习
机器学习
2018-12-03 v1 机器学习
摘要
虽然推荐系统通常被动地观察用户行为，但直接查询用户以了解其特定偏好的兴趣日益增加。在此类设置中，考虑不同粒度的查询以优化用户信息获取，对于高效提供良好用户体验至关重要。本工作中，我们在集体矩阵分解（CMF）框架下研究具有多级用户偏好的主动学习问题。CMF 联合捕获关于物品的多级用户偏好以及物品间关系（例如书籍体裁、菜系类型），通常可改善预测。受 CMF 模型的有限样本分析启发，我们提出了一种基于 Fisher 信息矩阵的理论最优主动学习策略，并由此导出用于实际推荐的可实现近似算法。实验使用直接的 Yelp 数据集以及一个说明性合成数据集，在个性化主动学习、冷启动推荐和噪声数据三种设置下进行，展示了相较若干广泛使用的主动学习方法的显著改进。
引用
@article{arxiv.1811.12591,
title = {Active Learning in Recommendation Systems with Multi-level User Preferences},
author = {Yuheng Bu and Kevin Small},
journal= {arXiv preprint arXiv:1811.12591},
year = {2018}
}