面向可扩展线性单类协同过滤模型的噪声对比估计
信息检索
2018-11-05 v1
摘要
先前高度可扩展的单类协同过滤方法（如投影线性推荐（PLRec））主张使用快速随机 SVD 将物品嵌入潜空间，随后采用线性回归方法为每个用户学习个性化推荐模型。遗憾的是，朴素 SVD 嵌入方法常表现出流行度偏差，扭曲了准确嵌入小众物品的能力。为此，我们利用噪声对比估计（NCE）的洞见推导出一种闭式、可高效计算的“去流行度”嵌入。尽管该方法不宜直接用于 PureSVD 等方法的推荐（因流行度在推荐中仍起重要作用），我们发现嵌入后接线性回归以学习个性化用户模型的新方法（称为 NCE-PLRec）可利用 NCE 改进的物品嵌入，同时在最终推荐中修正其去流行度偏差。对推荐流行度分布的分析表明，NCE-PLRec 在流行度谱上均匀分配其推荐，而其他方法表现出对特定流行度子区间的明显偏差，从而人为限制其推荐。实证上，NCE-PLRec 在多个大规模推荐数据集上优于 SOTA 方法及其多种自身消融变体。
引用
@article{arxiv.1811.00697,
title = {Noise Contrastive Estimation for Scalable Linear Models for One-Class Collaborative Filtering},
author = {Ga Wu and Maksims Volkovs and Chee Loong Soon and Scott Sanner and Himanshu Rai},
journal= {arXiv preprint arXiv:1811.00697},
year = {2018}
}
备注
8 pages