攻克基于邻域的协同过滤中的评分界限问题：一种函数恢复方法
信息检索
2012-11-07 v1 人工智能
人机交互
摘要
作为社会化网络时代信息过滤的重要工具，推荐系统在过去十年中见证了快速发展。得益于更好的可解释性，基于邻域的协同过滤技术（如 Amazon 采用的基于物品的协同过滤）在许多实际推荐系统中取得了巨大成功。然而，基于邻域的协同过滤方法受限于评分界限问题，即该方法对目标物品估计的评分被其所有邻域物品的观测评分所界限。因此，如果目标物品的真实评分实际上高于（或低于）其邻域内所有物品的最高（或最低）评分，该方法便无法准确估计该未观测评分。在本文中，我们将评分估计形式化为恢复标量评分函数的任务来解决这一问题。在线性假设下，我们通过优化目标标量函数二阶导数的低阶范数（例如 -范数）来推断所有评分，同时保持其观测评分不变。在 Douban、Goodreads 和 MovieLens 三个真实数据集上的实验结果表明，所提出的方法能够很好地克服评分界限问题。特别是，与传统基于邻域的方法相比，它能将评分估计的准确率显著提高 37%。
引用
@article{arxiv.1209.0911,
title = {Conquering the rating bound problem in neighborhood-based collaborative filtering: a function recovery approach},
author = {Junming Huang and Xue-Qi Cheng and Hua-Wei Shen and Xiaoming Sun and Tao Zhou and Xiaolong Jin},
journal= {arXiv preprint arXiv:1209.0911},
year = {2012}
}
备注
10 pages, 4 figures