融合用户或产品属性的BPR模型

背景介绍

　　BPR模型是Steffen Rendle提出的一种面向隐反馈偏好数据的排序模型1，该排序模型较好地对用户的正负向反馈进行建模，且可以与传统的协同过滤模型如矩阵分解模型进行结合即BPR-MF，本文介绍如何在BPR-MF模型中融合用户或者产品属性2，融合用户或者产品属性的BPR模型可以较好地解决冷启动问题。

问题分析

预备知识

　　BPR-MF模型将评分矩阵$\hat{Y}$分解为两个低秩矩阵$W \in R^{|U|\times k}$和$H \in R^{|I|\times k}$。用户$u$对产品$i$的预测得分为：

$$\hat{y}_{ui} = \sum_{f=1}^k w_{uf}h_{if} = <w_u,h_i> (1)$$
　　通过随机梯度下降方法，BPR-MF模型得到如下的用户和产品特征矩阵：
$$W=\begin{pmatrix} 0.2 & 1.2\\ 1.3 & 0.3\\ 0.9 & 1.1 \end{pmatrix} H=\begin{pmatrix} ? & ?\\ 0.9 & 1.0\\ 1.1 & 0.2\\ 0.1 & 1.2 \end{pmatrix}$$
$W$中的每行代表一个用户， $H$中的每行代表一个产品。假设第一行产品之前没有评分记录，因此无法学习到隐特征向量。为了预测用户对第一件产品的评分，我们可以通过产品之间的属性关联来估计特征。
　　产品属性矩阵 $A^I \in R^{|I| \times n}$，其中 $a_{il}^I$等于1当且仅当产品 $i$具有属性