基于具有相关臂的多臂老虎机的在线交互式协同过滤
信息检索
2021-07-02 v2 机器学习
摘要
在线交互式推荐系统致力于根据当前上下文（包括消费者和物品的内容信息）及时向消费者推荐合适的物品（如电影、新闻文章）。然而，在实际推荐中此类上下文信息往往不可用，仅能利用用户在物品上的交互数据。此外，交互记录的缺乏，尤其是新用户和新物品的交互记录，进一步恶化了推荐性能。为解决这些问题，仅依赖交互数据的推荐技术之一协同过滤（CF），以及能够在利用与探索之间取得平衡的在线多臂老虎机机制，被应用于在线交互式推荐场景中，其假设物品（即臂）是相互独立的。然而，该假设在现实中很少成立，因为现实世界中的物品往往彼此相关（例如，两篇主题相似的文章）。本文通过考虑物品之间的依赖关系来研究在线交互式协同过滤问题。我们将物品依赖性显式地表述为臂上的簇，其中单个簇内的臂共享相似的潜在主题。借助主题建模技术，我们提出了一种生成模型，从物品的潜在主题生成物品。此外，我们开发了一种基于粒子学习的高效在线算法，用于推断我们模型的潜在参数和状态。另外，我们推断出的模型可以自然地集成到在线交互式协同场景中现有的多臂选择策略中。在两个真实应用（电影和新闻的在线推荐）上的实证研究证明了所提方法的有效性和高效性。
引用
@article{arxiv.1708.03058,
title = {Online Interactive Collaborative Filtering Using Multi-Armed Bandit with Dependent Arms},
author = {Qing Wang and Chunqiu Zeng and Wubai Zhou and Tao Li and Larisa Shwartz and Genady Ya. Grabarnik},
journal= {arXiv preprint arXiv:1708.03058},
year = {2021}
}
备注
Recommender systems; Interactive collaborative filtering; Topic modeling; Cold-start problem; Particle learning; 10 pages