从隐式反馈数据学习层次化物品类别以实现高效推荐与浏览
信息检索
2019-06-24 v2 人工智能
摘要
搜索、浏览和推荐是缓解用户在在线市场中面临的“选择过载”的常用方式。本文提出利用从隐式反馈数据获得的层次化物品类别，以实现高效的浏览与推荐。我们提出了一种仅从隐式反馈数据（即无任何如名称、类别等物品的额外信息）创建层次化物品类别的方法。以此方式创建的类别基于用户的物品共同消费行为。因此，它们在用户浏览该层次结构时，能更有效地帮助用户发现有趣且相关的物品。我们还展示了该物品层次结构可用于基于类别的推荐，使推荐更具可解释性，并在不显著牺牲准确性的前提下提升推荐多样性。物品层次结构亦可用于自动生成物品分类骨架，从而免去人工标注。这对小型供应商尤为有用。我们的数据驱动层次类别基于层次隐树分析（HLTA），该方法此前用于文本分析。我们提出了一种扩展的学习算法 HLTA-Forest，使 HLTA 能应用于隐式反馈数据。
引用
@article{arxiv.1806.02056,
title = {Learning Hierarchical Item Categories from Implicit Feedback Data for Efficient Recommendations and Browsing},
author = {Farhan Khawar and Nevin L. Zhang},
journal= {arXiv preprint arXiv:1806.02056},
year = {2019}
}
备注
Published in SIGIR 2019 Workshop on ExplainAble Recommendation and Search (EARS'19)