稀疏条件下的Top-N推荐：一种基于NCD的方法
信息检索
2015-12-10 v2 人工智能
机器学习
摘要
在稀疏条件下进行推荐是协同过滤方法面临的最具挑战性的问题之一。本文通过利用物品空间固有的层次结构，遵循受可分解性理论启发的方法来解决此问题。我们将物品空间视为近可分解(Nearly Decomposable)系统，并定义紧密相关元素的块以及相应的间接邻近分量。我们研究了该分解的理论性质，并推导出即使在冷启动推荐场景下也能保证完整物品空间覆盖的充分条件。在MovieLens和Yahoo!R2Music数据集上使用若干广泛应用性能度量进行的全面实验，支持了我们模型的理论预测性质，并验证了NCDREC在推荐准确性、多样性以及稀疏不敏感性方面优于多种最先进算法。
引用
@article{arxiv.1507.00043,
title = {Top-N recommendations in the presence of sparsity: An NCD-based approach},
author = {Athanasios N. Nikolakopoulos and John D. Garofalakis},
journal= {arXiv preprint arXiv:1507.00043},
year = {2015}
}
备注
To appear in the Web Intelligence Journal as a regular paper