带顶部推送的半监督协同排序
机器学习
2015-11-18 v1 信息检索
摘要
现有的基于协同排序的推荐系统在每位用户有足够观测评分且观测完全随机进行时往往表现最佳。在此设定下，推荐系统能根据用户兴趣恰当建议推荐列表。然而，当观测评分极度稀疏（例如无评分数据可用的冷启动用户情况），且不是均匀随机采样时，现有排序方法无法有效利用侧信息将已有评分知识转导至未观测评分。我们提出一种称为 \texttt{SCOR} 的半监督协同排序模型，以改善冷启动推荐的质量。\texttt{SCOR} 通过协同学习排序模型，利用关于已观测和缺失评分的侧信息来缓解稀疏性问题。这使其既能处理非随机缺失数据的情况，也能在转导中有效整合可用侧信息。我们在多个具有挑战性的真实世界数据集上实验评估了所提算法，并与冷启动推荐的先进模型进行比较。我们报告称，与最先进技术相比，我们的算法提供了显著更高质量的推荐。
引用
@article{arxiv.1511.05266,
title = {Semi-supervised Collaborative Ranking with Push at Top},
author = {Iman Barjasteh and Rana Forsati and Abdol-Hossein Esfahanian and Hayder Radha},
journal= {arXiv preprint arXiv:1511.05266},
year = {2015}
}