GAPfm：面向分级相关性领域的 Top-N 最优推荐

推荐系统常用于用户以分级判断（如评分）形式表达偏好的领域。若要为此类分级相关性领域生成准确的 top-N 推荐列表，直接生成推荐项目的排序列表而非预测评分至关重要。现有技术选择了两种次优方法之一：要么优化如 Average Precision 的二元指标，从而丢弃相关性等级信息；要么优化 Normalized Discounted Cumulative Gain (NDCG)，从而忽略了项目贡献对排名更高项目相关性的依赖。在本文中，我们通过提出 Graded Average Precision factor model (GAPfm) 来解决现有方法的不足，这是一种潜在因子模型，特别适合具有分级相关性数据领域的 top-N 推荐问题。该模型优化 Graded Average Precision，这是一种最近提出的用于评估分级相关性排序结果列表质量的指标。GAPfm 通过直接优化 GAP 的平滑近似来学习潜在因子模型。GAPfm 的优势在于两方面：它保留了分级相关性的完整信息，同时也解决了优化 NDCG 模型的局限性。实验结果表明，与几种 state-of-the-art 方法相比，GAPfm 在 top-N 推荐任务上取得了显著提升。为了确保 GAPfm 能够扩展到极大规模的数据集，我们提出了一种使用自适应项目选择策略的快速学习算法。最后的实验表明，GAPfm 不仅可用于生成推荐列表，还可用于对给定的已评分项目列表进行排序。