多视图交互式协同过滤

在许多场景中，推荐系统的用户交互数据（如点击或评分）是稀疏的，且物品周转率（例如新文章、招聘信息）很高。鉴于此，除用户-物品评分外，整合上下文“侧”信息是非常可取的。虽然已有算法能够同时处理评分与上下文数据，但这些算法通常仅限于进行样本内推荐，受维数灾难困扰，且未引入多臂老虎机（multi-armed bandit, MAB）策略以优化长期累积奖励。我们提出多视图交互式主题回归（MV-ICTR），一种新颖的部分在线隐因子推荐算法，它同时整合评分与上下文信息以建模物品特定特征依赖与用户个人偏好，并采用多臂老虎机策略实现持续在线个性化。结果表明，在冷启动用户与物品占比较高的数据集上，其性能显著提升。