协同过滤与缺失随机假设
机器学习
2012-06-26 v1 信息检索
机器学习
摘要
评分预测是协同过滤中的一个重要应用和热门研究课题。然而，学习算法的有效性以及标准测试程序的有效性都依赖于缺失评分是随机缺失（MAR）的假设。在本文中，我们展示了一项用户研究的结果，在该研究中，我们从在线广播服务的当前用户中收集了一个随机评分样本。对研究中收集的评分数据的分析表明，随机评分样本与用户自选歌曲的评分具有显著不同的属性。当被要求报告自己的评分行为时，大量用户表示他们认为自己对歌曲的看法会影响他们是否选择对该歌曲进行评分，这违反了MAR条件。最后，我们展示了实验结果，表明将缺失数据机制的显式模型纳入考虑可以显著提高随机评分样本上的预测性能。
引用
@article{arxiv.1206.5267,
title = {Collaborative Filtering and the Missing at Random Assumption},
author = {Benjamin Marlin and Richard S. Zemel and Sam Roweis and Malcolm Slaney},
journal= {arXiv preprint arXiv:1206.5267},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Third Conference on Uncertainty in Artificial Intelligence (UAI2007)