基于最优设计的预算约束下协同过滤推荐系统中的物品冷启动处理
信息检索
2016-09-21 v3 机器学习
摘要
众所周知，基于协同过滤的推荐系统能够更好地对具有大量评分历史的用户和物品进行建模。历史评分的缺乏导致了用户和物品的冷启动问题。后者是本文的主要关注点。当前大多数文献通过集成基于内容的推荐技术来建模新物品以解决此问题。然而，在许多情况下，此类内容不可用，因此问题在于是否仅使用协同过滤技术就能缓解此问题。我们将此问题形式化为一个优化问题：给定一个新物品、一个可用用户池和一个预算约束，选择哪些用户来分配对新物品评分的任务，以最小化我们模型的预测误差。我们证明了目标函数是单调超模的，并提出了基于最优设计的高效算法，该算法可逼近其最优解。我们的发现通过使用Netflix数据集的实证研究得到验证，其中所提出的算法在解决该问题方面优于几个基线方法。
引用
@article{arxiv.1406.2431,
title = {Budget-Constrained Item Cold-Start Handling in Collaborative Filtering Recommenders via Optimal Design},
author = {Oren Anava and Shahar Golan and Nadav Golbandi and Zohar Karnin and Ronny Lempel and Oleg Rokhlenko and Oren Somekh},
journal= {arXiv preprint arXiv:1406.2431},
year = {2016}
}
备注
11 pages, 2 figures