面向冷启动 Top-n 物品推荐的特征分解双线性相似度模型

由于缺少用户对这些物品的过往偏好，向现有用户推荐新物品一直是一个具有挑战性的问题。基于物品特征的个性化非协同方法可用于解决这一物品冷启动问题。这些方法依赖于目标物品与用户先前偏好物品之间的相似度。在基于物品特征计算相似度时，这些方法忽略了物品特征之间的交互，将其独立看待。对特征间交互进行建模是有帮助的，因为某些特征组合在一起时，相比独立考虑特征的情况，能提供更强的物品相关性信号。为解决这一重要问题，本文提出特征分解双线性相似度模型（FBSM, Feature-based factorized Bilinear Similarity Model），在给定用户过去偏好的物品信息及这些物品的特征的情况下，学习用于新物品 Top-n 推荐的分解双线性相似度模型。我们在基准数据集上进行了广泛的实证评估，发现所提出的 FBSM 方法在推荐性能上优于传统的非协同方法。此外，该方法还能从数据中学习到物品特征间有洞察力的交互，从而深入理解这些交互如何促成个性化推荐。