应对基于模型的协同过滤中的冷启动用户问题
信息检索
2017-03-02 v1
摘要
为解决基于模型的推荐系统中著名的冷启动用户问题，一种方法是向冷启动用户推荐少量项目并使用反馈来学习画像。学到的画像然后可用于向冷用户做出良好推荐。在缺乏良好初始画像时，推荐如同随机探测，但如果不明智选择，糟糕推荐和过多推荐都可能使用户流失。我们形式化冷启动用户问题：问为了最准确地学习其画像，我们应该向冷启动用户推荐哪些 个最佳项目，其中 是给定预算，通常为小数字。我们将问题形式化为优化问题并给出多个非平凡结果，包括 NP-hardness 以及近似硬度。我们进一步展示目标函数，即学到的画像相对于真实用户画像的最小二乘误差，既非子模也非超模，表明高效近似不太可能存在。最后，我们讨论几种可扩展启发式方法用于识别推荐给用户的 个最佳项目，并在 4 个真实数据集上实验评估其性能。我们的实验显示我们提出的加速算法在运行时间上显著优于现有技术，同时在学到的用户画像和评分预测中达到相似误差。
引用
@article{arxiv.1703.00397,
title = {Combating the Cold Start User Problem in Model Based Collaborative Filtering},
author = {Sampoorna Biswas and Laks V. S. Lakshmanan and Senjuti Basu Ray},
journal= {arXiv preprint arXiv:1703.00397},
year = {2017}
}