通过灵活正则化框架集成异构信息用于推荐
社会与信息网络
2015-11-13 v1 信息检索
摘要
近年来，社交推荐兴起，其利用用户间的社交关系来提升推荐性能。然而，在许多应用中，社交关系缺失或非常稀疏。同时，用户或物品的属性信息可能很丰富。利用这些属性信息来提升推荐性能是一个巨大挑战。在本文中，我们将推荐系统中的对象和关系组织为异构信息网络，并引入基于元路径的相似性度量来评估用户或物品的相似性。此外，提出了一种基于矩阵分解的对偶正则化框架SimMF，通过采用用户和物品的相似性作为对用户和物品隐因子的正则化，来灵活集成不同类型的信息。大量实验不仅验证了SimMF的有效性，还揭示了一些有趣的发现。我们发现用户和物品的属性信息能显著提升推荐精度，且其贡献似乎比社交关系更为重要。实验还揭示不同的正则化模型对用户和物品有明显不同的影响。
引用
@article{arxiv.1511.03759,
title = {Integrating Heterogeneous Information via Flexible Regularization Framework for Recommendation},
author = {Chuan Shi and Jian Liu and Fuzhen Zhuang and Philip S. Yu and Bin Wu},
journal= {arXiv preprint arXiv:1511.03759},
year = {2015}
}
备注
12 pages, 5 figures