基于核密度估计的分解相关性模型用于多情境兴趣点推荐
信息检索
2021-11-29 v2
摘要
如果自动化情境推荐算法能够从用户偏好历史（利用）中提取信息，并将其与用户当前情境信息（探索）有效融合，以预测兴趣点（POI）在当前情境下的“合适度”，那么它就有可能向用户推荐情境恰当且个性化的“兴趣点”（POI）。为平衡利用与探索之间的权衡，我们提出了一个无监督的通用框架，包含分解相关性模型（FRLM），其由两个不同的组成部分构成，一个对应于历史情境，另一个对应于当前情境。我们进一步通过使用核密度估计（KDE）对嵌入词向量进行建模，将所提出的 FRLM 推广，以纳入 POI 描述符中术语之间的语义关系。此外，我们表明行程限定符（例如“行程类型”、“同行者”）是潜在有用的信息源，可用于提升推荐效果。利用此类信息并不简单，因为用户对所访问 POI 的文本/评论通常并不显式包含此类标注。我们采用弱监督方法预测用户档案中评论文本与可能行程情境之间的关联。我们在 TREC 2016 情境推荐数据集上的实验表明，相关性模型的分解、基于 KDE 的推广以及行程限定符丰富的情境均改善了 POI 推荐。
引用
@article{arxiv.2006.15679,
title = {Kernel Density Estimation based Factored Relevance Model for Multi-Contextual Point-of-Interest Recommendation},
author = {Anirban Chakraborty and Debasis Ganguly and Annalina Caputo and Gareth J. F. Jones},
journal= {arXiv preprint arXiv:2006.15679},
year = {2021}
}
备注
To appear at Information Retrieval Journal