用于冷启动推荐的条件受限玻尔兹曼机
信息检索
2014-08-04 v1 机器学习
机器学习
摘要
受限玻尔兹曼机（RBMs）已成功应用于推荐系统。然而，与大多数其他协同过滤技术一样，由于新项目没有评分，它无法解决冷启动问题。在本文中，我们首先应用可以纳入额外信息的条件 RBM（CRBM），并表明 CRBM 能很好地解决冷启动问题，特别是针对评分预测任务。CRBM 在单一框架下自然地结合了内容和协同数据，且可有效拟合。实验表明，CRBM 可与矩阵分解模型相媲美，而从前者模型中学习到的隐藏特征更易于解释。
引用
@article{arxiv.1408.0096,
title = {Conditional Restricted Boltzmann Machines for Cold Start Recommendations},
author = {Jiankou Li and Wei Zhang},
journal= {arXiv preprint arXiv:1408.0096},
year = {2014}
}
备注
12 pages, 3 figures