协同过滤中新用户的深度评分引导
信息检索
2024-02-27 v1
摘要
最近的推荐系统开始使用评分引导，即要求新用户对一个小型种子项目集进行评分以推断其偏好，从而提高初始推荐的质量。评分引导的关键挑战在于选择最能推断新用户偏好的种子项目。本文提出了一种新颖的端到端深度学习框架用于评分引导（DRE），该框架一次性选择所有种子项目，同时考虑非线性交互。为此，它首先定义分类分布以从整个项目集中采样种子项目，然后训练分类分布和神经重建网络，根据采样种子项目的协同过滤信息推断用户对剩余项目的偏好。通过端到端训练，分类分布被学习以选择最具代表性的种子项目，同时反映复杂的非线性交互。实验结果表明，DRE通过准确推断新用户偏好，在推荐质量上优于最先进的方法，并且其种子项目集比通过其他方法获得的种子项目集更好地表示潜在空间。
引用
@article{arxiv.2402.16327,
title = {Deep Rating Elicitation for New Users in Collaborative Filtering},
author = {Wonbin Kweon and SeongKu Kang and Junyoung Hwang and Hwanjo Yu},
journal= {arXiv preprint arXiv:2402.16327},
year = {2024}
}
备注
WWW 2020