基于信息检索的推荐系统

在本文中，我们提出了一种将推荐系统问题重新表述为信息检索问题的方法。在我们的测试中，我们有一个用户对某些电影进行评分的数据集；我们从数据集中隐藏一些值，并尝试使用其剩余部分（即所谓的“留n法”）再次预测它们。为了使用信息检索算法，我们以这种方式重新表述推荐系统问题：用户对应文档，电影对应词项，活跃用户（我们想要预测其评分的用户）扮演查询的角色，评分用作权重，替代原始IR算法的加权方案。输出是与查询（“活跃用户”）相关的文档（“用户”）的排序列表。我们使用这些用户的评分（根据排名加权）来预测活跃用户的评分。我们通过一个典型指标（即算法返回的预测准确性）进行比较，并将其与用户的真实评分进行比较。在我们的初步测试中，我们使用了两种不同的信息检索算法：LSPR（一种最近提出的基于离散傅里叶变换的模型）和简单的向量空间模型。