基于披萨偏好推荐汉堡：以专家乘积法应对数据稀疏性
信息检索
2021-09-08 v3 机器学习
摘要
在本文中，我们描述了一种处理数据稀疏性并在对用户偏好了解有限的领域生成推荐的方法。我们将变分自编码器协同过滤从单领域扩展至多领域设定。其直觉在于，源领域中的用户-物品交互可提升目标领域的推荐质量。该直觉可推至极端情形：在跨领域设定中，源领域的用户历史足以在目标领域生成高质量推荐。因此我们创建了用于推荐的专家乘积（POE）架构，联合建模跨多个领域的用户-物品交互。该方法对一个或多个领域数据缺失的情况具有韧性，而此情形在现实中常见。我们在两个广泛使用的数据集——Amazon 和 Yelp 上呈现结果，支持了整体用户偏好知识带来更优推荐的主张。令人惊讶的是，我们发现某些情况下，不访问目标领域用户表示的 POE 推荐器可超越在目标领域上训练的强 VAE 推荐器基线。
引用
@article{arxiv.2104.12822,
title = {Recommending Burgers based on Pizza Preferences: Addressing Data Sparsity with a Product of Experts},
author = {Martin Milenkoski and Diego Antognini and Claudiu Musat},
journal= {arXiv preprint arXiv:2104.12822},
year = {2021}
}
备注
10 pages, 2 figures, 1 table, accepted at RecSys 2021 - Workshop on Cross-Market Recommendation (XMRec)