面向营销与快速冷启动推荐的协同生成哈希
信息检索
2020-11-03 v1
摘要
随着电子商务中数据的爆炸式增长，冷启动已成为推荐系统中的关键问题。现有多数缓解冷启动的研究被称为混合推荐系统，其通过结合用户-物品交互与用户/物品内容信息来学习用户与物品的表示。然而，先前的混合方法在大规模物品在线推荐中常受效率低下的瓶颈所困，因为它们将用户与物品投影到连续潜空间，而在线推荐在该空间中代价高昂。为此，我们提出一种协同生成哈希（CGH）框架，通过将用户与物品表示为二值码来提升效率，进而可利用快速哈希检索技术加速在线推荐。此外，所提 CGH 能借助以最小描述长度（MDL）为原则设计的生成网络，为营销应用生成潜在用户或物品，从而学习紧凑且具信息量的二值码。在两个公开数据集上的大量实验表明了其在多种设定下相对于对比基线的推荐优势，并分析了其在营销应用中的可行性。
引用
@article{arxiv.2011.00953,
title = {Collaborative Generative Hashing for Marketing and Fast Cold-start Recommendation},
author = {Yan Zhang and Ivor W. Tsang and Lixin Duan},
journal= {arXiv preprint arXiv:2011.00953},
year = {2020}
}
备注
11 pages, 8 figures