EigenRec：泛化 PureSVD 以实现高效且有效的 Top-N 推荐
信息检索
2018-05-04 v3 数据库
分布式、并行与集群计算
数值分析
社会与信息网络
摘要
我们提出了 EigenRec，这是一个用于 Top-N 推荐的通用且高效的潜在因子框架，它将著名的 PureSVD 算法作为其一个特例。EigenRec 构建了一个物品间邻近矩阵的低维模型，该矩阵结合了一个相似度组件与一个缩放算子，后者旨在控制先验物品流行度对最终模型的影响。在我们的框架下审视 PureSVD，可以直观理解其内部机制，暴露其固有的局限性，同时也为无痛提升其推荐性能铺平了道路。在 MovieLens 和 Yahoo 数据集上基于广泛使用的性能指标进行的大量实验表明，EigenRec 在标准和长尾推荐准确率方面均优于几种 SOTA 算法，且对稀疏性表现出极低的敏感性，即使在其最极端的表现形式——冷启动问题中也是如此。同时，EigenRec 具有极具吸引力的计算特性，可直接应用于大规模推荐场景。
引用
@article{arxiv.1511.06033,
title = {EigenRec: Generalizing PureSVD for Effective and Efficient Top-N Recommendations},
author = {Athanasios N. Nikolakopoulos and Vassilis Kalantzis and Efstratios Gallopoulos and John D. Garofalakis},
journal= {arXiv preprint arXiv:1511.06033},
year = {2018}
}
备注
23 pages. Journal version of the conference paper "Factored Proximity Models for Top-N Recommendation"