基于布朗运动的用户连续经验演化物品推荐
人工智能
2017-08-10 v3 计算与语言
信息检索
社会与信息网络
机器学习
摘要
在线评论社区是动态的，因为用户加入和离开、采用新词汇并适应不断演变的趋势。近期工作表明，推荐系统受益于对用户经验的显式考量。然而，先前工作假设固定数量的离散经验水平，而现实中用户随时间连续获得经验并成熟。本文提出一种新模型，捕获用户经验的连续演化，以及评论与其他帖子中所体现的语言模型的相应变化。我们的模型是无监督的，并结合几何布朗运动、布朗运动与潜在狄利克雷分配(Latent Dirichlet Allocation)的原理，分别追踪用户经验与语言模型的平滑时间进程。我们开发了从数据中估计模型参数以及使用我们的模型进行推断（例如推荐物品）的实用算法。在五个真实世界数据集上的大量实验表明，我们的模型不仅比离散模型基线更好地拟合数据，而且优于用于预测物品评分的最先进方法。
引用
@article{arxiv.1705.02669,
title = {Item Recommendation with Continuous Experience Evolution of Users using Brownian Motion},
author = {Subhabrata Mukherjee and Stephan Guennemann and Gerhard Weikum},
journal= {arXiv preprint arXiv:1705.02669},
year = {2017}
}