潜在空间中出人意料且有用的推荐

提供出人意料的推荐是推荐系统的一项重要任务。为此，我们需要从用户的期望出发，并在推荐物品时偏离这些期望。先前提出的方法在特征空间中建模用户期望，使其局限于用户已访问的物品或通过关联规则推导所期望的物品，而未包含用户也可能从用户、物品与实体之间潜在、复杂且异构的交互中所期望的物品。本文在潜在空间而非特征空间中定义出人意料性，并提出了一种新颖的潜在凸包（LCH）方法以提供出人意料的推荐。在两个真实世界数据集上的大量实验证明了所提模型的有效性，其在出人意料性度量上显著优于替代的最先进出人意料推荐方法，同时达到了相同的准确率水平。