基于 ALS 的快速张量分解：面向隐式反馈的上下文感知推荐

尽管基于隐式反馈的推荐问题——即仅有用户历史记录可用而没有评分——是现实应用中最典型的设定，但相比显式反馈的情况，其研究要少得多。如果在显式情况下高效的 SOTA 算法需要保持可扩展性，则无法直接转换到隐式情况。隐式反馈基准数据集即使有也寥寥无几，因此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 应用了一种快速的、基于 ALS 的张量分解学习方法，其计算复杂度与张量中非零元素的数量呈线性关系。该方法还允许我们将多样化的上下文信息纳入模型，同时保持其计算效率。具体而言，我们提出了 iTALS 的两种上下文感知实现变体。第一种变体纳入了季节性，能够区分用户在不同时间间隔内的行为。另一种变体将用户历史记录视为序列信息，能够识别特定物品群的典型使用模式，例如自动区分通常被重复购买（收藏品、杂货）或仅购买一次（家用电器）的产品类型或类别。在三个隐式数据集（两个专有数据集和一个 Netflix 数据集的隐式变体）上进行的实验表明，通过我们的分解框架将上下文感知信息整合到 SOTA 隐式推荐算法中，推荐质量得到了显著提升。