面向物品冷启动推荐的 Wasserstein 协同过滤
信息检索
2019-09-11 v1 机器学习
机器学习
摘要
当新物品没有任何或极少交互时，物品冷启动问题严重限制了协同过滤（CF）方法的推荐性能。为解决此问题，许多现代互联网应用提出从物品所带内容预测新物品的交互。然而，设计与学习物品交互历史与相应内容之间的映射是困难的。本文中，我们应用 Wasserstein 距离来处理物品冷启动问题。给定物品内容信息，我们可以计算已交互物品与冷启动物品之间的相似度，从而通过最小化这两类物品上分布之间的 Wasserstein 距离来推断用户对冷启动物品的偏好。我们进一步采纳 CF 的思想，提出 Wasserstein CF（WCF）以提升冷启动物品的推荐性能。实验结果证明了 WCF 相对于 SOTA 方法的优越性。
引用
@article{arxiv.1909.04266,
title = {Wasserstein Collaborative Filtering for Item Cold-start Recommendation},
author = {Yitong Meng and Guangyong Chen and Benben Liao and Jun Guo and Weiwen Liu},
journal= {arXiv preprint arXiv:1909.04266},
year = {2019}
}