面向隐式反馈数据的顺应式过滤

隐式反馈是可用于物品推荐的最简单的用户反馈形式。它易于收集且与领域无关。然而，它缺乏负样本。以往的工作通过假设用户对未消费的物品不感兴趣或不太感兴趣来解决这个问题。这些假设常常被严重违背，因为未消费可能是由于不知情或缺乏资源等因素造成的。因此，用户的未消费并不总是意味着不感兴趣或不相关。在本文中，我们提出了一种名为顺应式过滤（Conformative Filtering, CoF）的新方法来解决这一问题。其动机观察在于，如果有一大群品味相同的用户，且他们之前都没有消费过某件物品，那么该物品很可能对该群体没有吸引力。我们使用层次潜在树分析（HLTA）对隐式反馈数据进行多维聚类，以识别用户“品味”群体，并根据用户在群体中的隶属关系以及群体过去的行为向其进行推荐。在来自不同领域的两个真实世界数据集上的实验表明，与几个常见的基线方法相比，CoF 具有优越的性能。