为雅虎首页个性化推荐建模物品间相似性

我们考虑在雅虎首页模块上通过算法向用户推荐物品的问题。我们的方法基于一种新颖的多层次分层模型，我们称之为带图形套索的用户画像模型（UPG）。UPG 通过以基于模型的方式同时纳入用户协变量和用户与物品的历史交互，为用户提供个性化推荐。实际上，我们基于丰富的用户协变量集为每个物品建立回归模型，并通过为每个用户引入一个潜在随机向量来估计个体用户对物品的亲和度。该向量随机效应被假定从具有精度矩阵的先验分布中抽取，该精度矩阵度量了物品间的残差偏关联。为确保在高维情况下更好地估计精度矩阵，矩阵元素通过套索惩罚进行约束。我们的模型通过惩罚拟似然过程结合可扩展的 EM 算法进行拟合。我们采用了多种计算策略，如多线程、共轭梯度，并充分利用问题结构来扩展 E 步的计算规模。对于 M 步，我们采用图形套索算法的一个可扩展变体进行协方差选择。通过在从雅虎首页获得的新数据集和来自电影推荐应用的一个基准数据集上进行大量实验，我们表明，与文献中的几种最先进方法，特别是那些基于双线性随机效应模型（BIRE）的方法相比，我们的 UPG 模型显著提高了性能。特别是，我们表明当用户数量大而可供选择的物品数量少时，UPG 相对于 BIRE 的增益是显著的。对于大的物品集和相对小的用户集，UPG 和 BIRE 的结果是可比的。UPG 导致更快的模型构建，并产生可解释的输出。