ILCR：面向稀疏协同检索的基于物品的隐因子模型
信息检索
2014-12-15 v1
摘要
搜索与推荐之间的交互近来引起了广泛关注，多项研究表明，许多潜在应用都涉及一个联合问题，即针对给定查询向用户生成推荐，称为协同检索（Collaborative Retrieval, CR）。为CR设计的成功算法应能灵活应对稀疏性挑战，因为协同检索的设置关联的是一个给定的查询×用户×物品张量，而非传统的用户×物品矩阵。近期，已有若干工作从用户视角研究CR任务。本文旨在从物品视角充分探索每个查询×用户×物品三元组的复杂关系。通过为这一联合任务整合基于物品的协同信息，我们提出了一种替代的因子分解模型，该模型能更好地评估给定查询-用户对中信息稀疏物品的排序。此外，我们建议采用一种近期提出的可扩展排序学习算法，即BPR，来优化当前最优的隐协同检索（Latent Collaborative Retrieval）模型，以替代原有的学习算法。在两个真实世界数据集（即Last.fm和Yelp）上的实验结果，证明了我们所提方法的效率和有效性。
引用
@article{arxiv.1412.3898,
title = {ILCR: Item-based Latent Factors for Sparse Collaborative Retrieval},
author = {Lu Yu and Junming Huang and Chuang Liu and Zike Zhang},
journal= {arXiv preprint arXiv:1412.3898},
year = {2014}
}
备注
10 pages, conference