通过 Bernoulli 矩阵分解为推荐系统提供可靠性
机器学习
2022-03-07 v6 信息检索
机器学习
摘要
除准确性外，质量度量在现代推荐系统中日益重要，其中可靠性是基于协同过滤情境下最重要的指标之一。本文提出 Bernoulli 矩阵分解（BeMF），一种矩阵分解模型，以同时提供预测值与可靠性值。BeMF 从多个角度看都极具创新性：a) 它作用于基于模型的协同过滤而非基于记忆的过滤；b) 与现有方案不同，它不借助外部方法或扩展架构来提供可靠性；c) 它基于分类模型而非传统的回归模型；d) 矩阵分解形式由 Bernoulli 分布支撑，以利用所设计分类模型的二值特性。实验结果表明，预测越可靠，其出错可能性越低：在筛选出最可靠的预测后，推荐质量得以提升。我们测试了用于可靠性的前沿质量度量，显示 BeMF 优于以往的基线方法与模型。
引用
@article{arxiv.2006.03481,
title = {Providing reliability in Recommender Systems through Bernoulli Matrix Factorization},
author = {Fernando Ortega and Raúl Lara-Cabrera and Ángel González-Prieto and Jesús Bobadilla},
journal= {arXiv preprint arXiv:2006.03481},
year = {2022}
}
备注
28 pages, 8 figures, 8 tables