面向时序推荐的链接流图
信息检索
2019-04-30 v1 机器学习
社会与信息网络
摘要
若干关于推荐系统的研究基于显式评分数据，但在许多真实世界的电子商务平台中，评分并非总是可得，而在这些情形下，推荐系统必须处理隐式数据，如用户的购买历史、浏览历史和播放历史。在此背景下，经典二分用户-物品图（BIP）被广泛用于计算 Top-N 推荐。然而，这些图存在一定局限性，尤其在考虑时间动态性方面。这并不理想，因为用户的偏好会随时间变化。为克服该限制，Xiang 等人提出了基于会话的时序图（STG），以在基于图的推荐系统中结合长期与短期偏好。但在 STG 中，时间被划分为切片，因此被视为不连续的。该方法丢失了用户行为真实时间动态的细节。为应对这一挑战，我们提出链接流图（LSG），它是 Latapy 等人所提链接流表示的扩展，能够通过连续考虑时间来建模用户与物品之间的交互。在四个真实世界隐式数据集上针对时序推荐、采用 3 种评估指标所进行的实验表明，与最常用的最先进推荐图 BIP 和 STG 相比，LSG 在 12 种情况中的 9 种上表现最佳。
引用
@article{arxiv.1904.12576,
title = {Link Stream Graph for Temporal Recommendations},
author = {Armel Jacques Nzekon Nzeko'o and Maurice Tchuente and Matthieu Latapy},
journal= {arXiv preprint arXiv:1904.12576},
year = {2019}
}