BPR：基于隐式反馈的贝叶斯个性化排序
信息检索
2012-05-14 v1 机器学习
机器学习
摘要
物品推荐是从一组物品（例如网站、电影、产品）中预测个性化排序的任务。在本文中，我们研究了最常见的隐式反馈场景（例如点击、购买）。有许多从隐式反馈进行物品推荐的方法，如矩阵分解（MF）或自适应k近邻（kNN）。尽管这些方法是为个性化排序的物品预测任务而设计的，但没有一种方法直接针对排序进行优化。在本文中，我们提出了一种通用的优化准则BPR-Opt，用于个性化排序，它是从问题的贝叶斯分析中导出的最大后验估计量。我们还提供了一种通用的学习算法，用于针对BPR-Opt优化模型。该学习方法基于带自助采样的随机梯度下降。我们展示了如何将我们的方法应用于两个最先进的推荐模型：矩阵分解和自适应kNN。我们的实验表明，对于个性化排序任务，我们的优化方法优于MF和kNN的标准学习技术。结果显示了针对正确准则优化模型的重要性。
引用
@article{arxiv.1205.2618,
title = {BPR: Bayesian Personalized Ranking from Implicit Feedback},
author = {Steffen Rendle and Christoph Freudenthaler and Zeno Gantner and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:1205.2618},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence (UAI2009)