用于持续冷启动在线物品推荐的增量因子分解机
机器学习
2016-07-12 v1 信息检索
摘要
现实世界的物品推荐系统常受持续冷启动问题的困扰，该问题由动态变化的用户和物品引起。为克服这一问题，近期提出了若干上下文感知推荐技术。就可行性和性能而言，因子分解机 (FM) 作为传统矩阵分解技术的推广，是最具前景的方法之一。然而，由于在线算法更适合动态数据，静态 FM 仍显不足。因此，本文提出了增量 FM (iFM)，一种通用的在线因子分解框架，并专门将 iFM 扩展为在线物品推荐器。所提出的框架可作为生产推荐系统进一步开发的有力基线。评估在合成数据集和现实世界的不稳定数据集上以实证方式进行。
引用
@article{arxiv.1607.02858,
title = {Incremental Factorization Machines for Persistently Cold-starting Online Item Recommendation},
author = {Takuya Kitazawa},
journal= {arXiv preprint arXiv:1607.02858},
year = {2016}
}
备注
4 pages, 6 figures, The 1st Workshop on Profiling User Preferences for Dynamic Online and Real-Time Recommendations, RecSys 2016