通过可扩展张量分解从隐式数据获取上下文感知推荐
机器学习
2013-10-01 v1 信息检索
摘要
尽管基于隐式反馈的推荐问题（即仅有用户历史而无评分）是现实世界应用中最典型的场景，但其研究远少于显式反馈情况。若在保持可扩展性的前提下，适用于显式情况的最先进算法无法自动转换为隐式情况。由于隐式反馈基准数据集很少，新想法通常在显式基准上进行实验。在本文中，我们提出了一种通用的上下文感知隐式反馈推荐算法，命名为 iTALS。iTALS 应用了一种基于 ALS 的快速张量分解学习方法，其复杂度与张量中非零元素的数量呈线性关系。我们还提出了 iTALS 的两种近似且更快的变体，在学习过程中使用坐标下降法和共轭梯度法。该方法还允许我们在保持计算效率的同时将各种上下文信息纳入模型。我们展示了 iTALS 的两种上下文感知变体，将季节性和物品购买序列性纳入模型，以区分不同时间间隔的用户行为以及具有不同重复性的产品类型。在六个数据集上的实验表明，iTALS 在召回率和 MAP 方面均明显优于无上下文模型和上下文感知基线，同时与因子分解机（Factorization Machines）表现相当（在 12 种情况中有 7 次胜出）。
引用
@article{arxiv.1309.7611,
title = {Context-aware recommendations from implicit data via scalable tensor factorization},
author = {Balázs Hidasi and Domonkos Tikk},
journal= {arXiv preprint arXiv:1309.7611},
year = {2013}
}
备注
Extended version of the ECML/PKDD 2012 paper of B. Hidasi & D. Tikk: Fast ALS-based tensor factorization for context-aware recommendation from implicit feedback [arXiv:1204.1259]