学习k-行列式点过程用于个性化排序

个性化推荐的关键在于通过建模用户偏好来预测项目目录上的个性化排序。有许多基于隐式反馈的项目推荐个性化排序方法，如贝叶斯个性化排序和列表式排序。尽管这些方法已显示出性能优势，但仍存在影响推荐性能的局限性。首先，它们都没有直接优化集合的排序，导致对多个项目间相关性的利用不足。其次，与相关性相比，推荐的多样性方面没有得到充分解决。在这项工作中，我们提出了一种新的基于集合概率比较的个性化排序优化准则LkP，它超越了传统的基于排序的方法。它通过行列式点过程核分解形式化了集合级别的相关性和多样性排序比较。为了赋予行列式点过程集合概率以排序可解释性，并优先考虑LkP的实用性，我们将标准行列式点过程条件化为行列式点过程分布集合的基数k，即k-DPP，这是行列式点过程的一个较少探索的扩展。基于通用随机梯度下降的技术可以直接应用于优化采用LkP的模型。我们在矩阵分解和神经网络方法的背景下，在三个真实世界数据集上实现了LkP，获得了改进的相关性和多样性性能。LkP具有广泛的适用性，当应用于现有推荐模型时，也带来了显著的性能提升，表明LkP对推荐系统领域具有重要价值。