面向快速冷启动推荐的多特征离散协同过滤
信息检索
2020-03-25 v1 机器学习
摘要
哈希技术由于在计算用户对物品的偏好时具有高计算和存储效率，是解决大规模推荐问题的有效技术。然而，现有基于哈希的推荐方法仍存在两个重要问题：1) 其推荐过程主要依赖用户-物品交互和单一特定内容特征。当交互历史或内容特征不可用（冷启动问题）时，其性能将严重恶化。2) 现有方法通过松弛优化学习哈希码或采用离散坐标下降直接求解二值哈希码，导致显著的量化损失或消耗大量计算时间。本文提出一种快速冷启动推荐方法，称为多特征离散协同过滤 (MFDCF)，以解决这些问题。具体而言，设计了一个低秩自加权多特征融合模块，通过充分挖掘多个内容特征的互补性，将其自适应地投影为二值且具信息量的哈希码。此外，我们开发了一种快速离散优化算法，通过简单操作直接计算出二值哈希码。在两个公开推荐数据集上的实验表明，MFDCF 在各方面均优于现有最优方法 (SOTA)。
引用
@article{arxiv.2003.10719,
title = {Multi-Feature Discrete Collaborative Filtering for Fast Cold-start Recommendation},
author = {Yang Xu and Lei Zhu and Zhiyong Cheng and Jingjing Li and Jiande Sun},
journal= {arXiv preprint arXiv:2003.10719},
year = {2020}
}