容量约束下的推荐
机器学习
2017-03-14 v2 信息检索
机器学习
摘要
在本文中，我们研究了一种常见场景：每个推荐候选物品都由最大容量表征，即兴趣点(POI)中的座位数或物品库存大小。尽管在各种设置下基于容量约束推荐物品的任务十分普遍，但据我们所知，已知的推荐方法无一被设计为满足容量约束。为弥补这一差距，我们扩展了三种最先进的隐因子推荐方法：概率矩阵分解(probabilistic matrix factorization, PMF)、地理矩阵分解(geographical matrix factorization, GeoMF)和贝叶斯个性化排序(bayesian personalized ranking, BPR)，以在推荐准确性和符合容量约束的期望物品使用量上同时进行优化。我们引入了用户聆听倾向和物品容量这两个有用概念。我们在真实世界数据集上的实验结果，涵盖物品推荐和POI推荐领域，凸显了我们的方法在容量约束推荐设置下的益处。
引用
@article{arxiv.1701.05228,
title = {Recommendation under Capacity Constraints},
author = {Konstantina Christakopoulou and Jaya Kawale and Arindam Banerjee},
journal= {arXiv preprint arXiv:1701.05228},
year = {2017}
}
备注
Extended methods section and experimental section to include bayesian personalized ranking objective as well