基于上下文赌博机算法的推荐系统冷启动问题
信息检索
2014-05-30 v1
摘要
在本文中，我们研究了推荐系统中的冷启动问题，其中全新用户进入系统。新用户之前与系统没有任何交互或反馈，因此没有可用评分。简单的方法是选择随机项目或最受欢迎的项目推荐给新用户。然而，这些方法在许多情况下表现不佳。在本研究中，我们提供了对推荐系统中冷启动问题的新视角。实际上，我们将此冷启动问题视为一个上下文赌博机问题。不需要关于新用户和新项目的额外信息。我们将先前用户的所有历史评分视为上下文信息，整合到推荐框架中。为了解决这类冷启动问题，我们提出了一种基于LinUCB算法用于上下文赌博机问题的新高效方法。实验在三个不同的公开数据集上进行，即Movielens、Netflix和Yahoo!Music。新提出的方法也与其它最先进技术进行了比较。实验表明，我们的新方法显著优于所有这些方法。
引用
@article{arxiv.1405.7544,
title = {Cold-start Problems in Recommendation Systems via Contextual-bandit Algorithms},
author = {Hai Thanh Nguyen and Jérémie Mary and Philippe Preux},
journal= {arXiv preprint arXiv:1405.7544},
year = {2014}
}