论文题目:Collaborative Filtering for Implicit Feedback Datasets
链接:link
1 Introduction
随着电商的快速发展,为用户提供商品的排序很重要。推荐系统就是为用户提供符合口味与偏好的个性化推荐。
大致的说推荐系统有两种策略。一、基于内容的推荐,根据用户的历史行为的商品的信息来推荐。比如电影推荐,可以根据用户看过的电影的流派、演员等进行推荐。缺点是这些商品的信息不容易收集。二、协同过滤,通过分析用户与商品之间的依赖性来进行推荐。例如,将用户1喜欢的商品推荐给与用户2 志趣相投的用户2。缺点是冷启动问题,也就是说不能推荐一个新出现的商品。
推荐系统依的输入可以分为两种。一、显示反馈,例如用户直接对电视节目进行喜欢和不喜欢的选择。但是这种数据很多时候是得不到的 二、隐式反馈,也就是能间接反映用户偏好的数据。比如,购买记录,浏览记录,搜索记录,鼠标移动。例如一个用户多次购买某个作者的书籍,隐式的反馈出该用户的偏好。
之前很多工作在显示反馈的数据上进行探究,因为这样的数据纯粹单一。但是,在很多应用场景下,显示反馈数据很难得到,因此就需要通过用户的隐式反馈来推荐。
我们的工作是利用用户的隐式反馈来推荐电视节目。
隐式反馈相较于显示反馈有以下特点:
1、没有消极的反馈。通过观察用户的历史行为,我们能够推断用户可能喜欢或者消费的商品。然而却很难推断用户不喜欢的商品。
2、有很多噪音。例如,用户虽然购买了某件商品,但可能对商品失望或者是为别人买的。
3、显示反馈的数值代表着用户的喜好程度,隐式反馈的数值代表着置信度。例如,用户给商品打分,1-5,1代表完全不喜欢,5代表非常喜欢。隐式反馈中的观看电视节目的频率则不能反应用户的喜好程度。
4、隐式反馈推荐系统的评测需要更多的措施。
2、Preliminaries
Users用u,v表示,items用i,j表示,Ru,i 代表用户与商品的交互,由用户观看了这个电视节目多久得到。
3 Previous work
3.1 Neighborhood models
协同过滤算法,分为基于用户的和基于商品的。
3.2 Latent factor models
将用户与商品映射成向量,两者的点击逼近taget值
4 Our model
其中:
两个贡献:
1、 将用户与商品的交互,转化成喜好程度与置信度两个值
2、 优化了算法复杂度