OFF-Set：持久冷启动场景下在线推荐的特征集单遍分解
机器学习
2013-08-09 v1 信息检索
摘要
最具挑战性的推荐任务之一是向新的、此前未见过的用户进行推荐，这被称为“用户冷启动”问题。假设已知用户的某些特征或属性，处理新用户的一种方法是最初基于其特征对其进行建模。受广告定向应用的启发，本文描述了一种极端的在线推荐场景，其中冷启动问题是持续存在的：每个用户仅被系统 encounter 一次，接收一条推荐，然后选择消费或忽略，从而产生一个二元奖励。我们提出了特征集单遍分解 (One-pass Factorization of Feature Sets, OFF-Set)，这是一种基于隐因子分析的新型推荐算法，通过将用户特征映射到隐空间来对用户进行建模。此外，OFF-Set 能够建模特征对之间的非线性交互。OFF-Set 专为纯在线推荐设计，针对每次推荐 - 奖励观测执行轻量级的模型更新。我们将 OFF-Set 与若干最先进 (state of the art) 的基线方法进行了评估对比，并在真实广告定向数据上证明了其优越性。
引用
@article{arxiv.1308.1792,
title = {OFF-Set: One-pass Factorization of Feature Sets for Online Recommendation in Persistent Cold Start Settings},
author = {Michal Aharon and Natalie Aizenberg and Edward Bortnikov and Ronny Lempel and Roi Adadi and Tomer Benyamini and Liron Levin and Ran Roth and Ohad Serfaty},
journal= {arXiv preprint arXiv:1308.1792},
year = {2013}
}
备注
8 pages, 3 figures, a shorter version is supposed to be published in RecSys13