基于上下文 Fisher 信息的物品到物品推荐

网络推荐服务在电子商务中至关重要，因为它们帮助用户浏览最符合其需求的物品。在典型网站中，用户以往活动或购买的长期历史很少可用。因此在大多数情况下，推荐系统提出与当前用户会话中最近浏览物品相似的物品。相应任务称为基于会话的物品到物品推荐。对于频繁物品，通过“看过此物品的也看过”列表来提供物品到物品推荐很容易。然而，大多数物品属于长尾，其先前行为稀疏可用。另一困难是所谓的冷启动问题，即物品最近出现且尚无时间积累足够数量的交易。为了在稀疏或冷启动情况下推荐会话中的下一个物品，我们还必须纳入物品相似度模型。本文中，我们描述了一种基于随机场的概率相似度模型来近似物品到物品转移概率。我们给出了基于物品间任意距离度量（包括显式、隐式评分及外部元数据）的物品交互生成模型。该模型可随时间改变以更好拟合近期事件，并基于更新的 Fisher 信息推荐下一物品。我们的新模型在多种不同性能度量与公开数据集下，均优于简单相似度基线方法及近期物品到物品推荐系统。尤其在跟随稀有物品推荐新物品时，我们取得了显著增益。