基于密度的高斯过程回归用户表示用于多兴趣个性化检索
信息检索
2024-07-30 v6
摘要
在个性化推荐系统的设计中，准确建模用户多样且动态的兴趣仍是一项重大挑战。现有的用户建模方法，如单点表示与多点表示，在准确性、多样性与适应性方面存在局限。为克服这些不足，我们提出基于密度的用户表示（DURs），一种利用高斯过程回归（GPR）实现高效多兴趣推荐与检索的新方法。我们的方法 GPR4DUR 利用 DURs 捕捉用户兴趣的变化性而无需手动调参，具备不确定性感知能力，并可良好扩展至大量用户。基于真实世界离线数据集的实验验证了 GPR4DUR 的适应性与效率，而使用模拟用户的在线实验表明其能通过有效利用模型不确定性来解决探索-利用权衡问题。
引用
@article{arxiv.2310.20091,
title = {Density-based User Representation using Gaussian Process Regression for Multi-interest Personalized Retrieval},
author = {Haolun Wu and Ofer Meshi and Masrour Zoghi and Fernando Diaz and Xue Liu and Craig Boutilier and Maryam Karimzadehgan},
journal= {arXiv preprint arXiv:2310.20091},
year = {2024}
}
备注
22 pages