基于用户特定双聚类的协同过滤：处理偏好局部性、稀疏性与主观性
信息检索
2022-11-16 v1 机器学习
摘要
协同过滤（CF）是构建推荐系统最常用的方法，已作为产品和服务的消费者渗透到我们的日常生活中。然而，在处理推荐数据时，挑战限制了协同过滤方法的有效性，主要由于用户偏好的多样性与局部性、用户-项目评分的结构性稀疏、评分量表的主观性，以及日益增高的项目维度和用户规模。为应对其中部分挑战，一些作者提出了将 CF 与双聚类（Biclustering）技术相结合的成功方法。本文评估了双聚类方法用于 CF 的有效性，比较了算法选择的影响，并识别出优越的基于双聚类的 CF 的原则。据此，我们提出 USBFC，一种基于双聚类的 CF 方法，其从强一致且统计显著的评分模式中为用户创建特定模型，这些模式对应于跨用户共享偏好的子空间。在真实数据上的评估显示，USBCF 相对于最先进的 CF 方法取得了有竞争力的预测精度。此外，USBFC 通过提高覆盖率成功抑制了先前提出的最先进基于双聚类的 CF 的主要缺陷，并通过增强子空间同质性抑制了基于共聚类（coclustering）的 CF 的主要缺陷。
引用
@article{arxiv.2211.08366,
title = {User-Specific Bicluster-based Collaborative Filtering: Handling Preference Locality, Sparsity and Subjectivity},
author = {Miguel G. Silva and Rui Henriques and Sara C. Madeira},
journal= {arXiv preprint arXiv:2211.08366},
year = {2022}
}