解决大规模推荐引擎中的冷启动问题：一种深度学习方法
信息检索
2016-11-18 v1 机器学习
摘要
协同过滤（Collaborative Filtering, CF）因其效率、准确性和可扩展性而被广泛应用于大规模推荐引擎。然而，在实践中，基于 CF 的推荐引擎需要在用户和物品之间有交互才能进行推荐，这使得它不适用于尚未暴露给最终用户进行交互的新物品。这被称为冷启动问题。在本文中，我们引入了一种新颖的方法，利用深度学习来解决任何基于 CF 的推荐引擎中的这一问题。所提出技术最重要的特点之一是，它可以应用于任何现有基于 CF 的推荐引擎之上，而无需更改 CF 核心。我们成功应用该技术克服了 Careerbuilder 基于 CF 的推荐引擎中的物品冷启动问题。我们的实验表明，所提出的技术在解决冷启动问题的同时，能保持 CF 推荐的高准确性，非常有效。
引用
@article{arxiv.1611.05480,
title = {Solving Cold-Start Problem in Large-scale Recommendation Engines: A Deep Learning Approach},
author = {Jianbo Yuan and Walid Shalaby and Mohammed Korayem and David Lin and Khalifeh AlJadda and Jiebo Luo},
journal= {arXiv preprint arXiv:1611.05480},
year = {2016}
}
备注
in Big Data, IEEE International Conference on, 2016