基于贝叶斯Mallows模型从隐式偏好数据获取带不确定性的多样化个性化推荐
统计方法学
2019-04-08 v1
摘要
点击数据数量丰富且包含客观的用户偏好信息，被广泛用于网络应用中生成个性化推荐。当前流行的推荐算法通常基于矩阵分解，往往具有较高准确率并取得良好点击率。然而，能极大提升用户体验的推荐物品多样性常被忽视。此外，多数算法不能给出可解释的推荐不确定性量化。本工作中，我们提出面向点击数据的贝叶斯Mallows（BMCD）方法，其通过将点击项强制为前排名次来将点击数据增广为兼容的完整排序向量。用户偏好通过Mallows排序模型学习。贝叶斯推断得出每个独立推荐的可解释不确定性，我们还提出基于此类不确定性进行个性化推荐的方法。通过模拟研究及真实数据示例，我们证明与最先进的矩阵分解相比，BMCD在准确率相近的同时实现了更高水平的多样性，并给出可解释且可操作的的不确定性估计。
引用
@article{arxiv.1904.03099,
title = {Diverse personalized recommendations with uncertainty from implicit preference data with the Bayesian Mallows Model},
author = {Qinghua Liu and Andrew Henry Reiner and Arnoldo Frigessi and Ida Scheel},
journal= {arXiv preprint arXiv:1904.03099},
year = {2019}
}
备注
27 pages