标签推荐的度量学习：应对数据稀疏性与冷启动问题
信息检索
2024-11-12 v1 机器学习
摘要
随着数字信息的快速增长，个性化推荐系统已成为互联网服务不可或缺的一部分，尤其是在电子商务、社交媒体和在线娱乐领域。然而，传统的协同过滤和内容推荐方法在应对数据稀疏性和冷启动问题方面存在局限性，特别是在面临大规模异构数据时，难以满足用户期望。本文提出了一种基于度量学习的新标签推荐算法，旨在通过学习有效的距离或相似性度量来捕捉用户偏好与物品特征之间的细微差异，从而克服传统推荐系统的挑战。实验结果表明，该算法在多个评估指标上优于基线方法，包括基于对抗学习的局部响应度量学习(LRML)、协同度量学习(CML)和自适应张量分解(ATF)。特别是在前几个推荐物品的准确性方面表现尤为突出，同时保持了高鲁棒性和高推荐准确率。
引用
@article{arxiv.2411.06374,
title = {Metric Learning for Tag Recommendation: Tackling Data Sparsity and Cold Start Issues},
author = {Yuanshuai Luo and Rui Wang and Yaxin Liang and Ankai Liang and Wenyi Liu},
journal= {arXiv preprint arXiv:2411.06374},
year = {2024}
}