论文描述:
协同过滤算法(CF)特别是基于矩阵分解(MF)的方法,已经被广泛应用于推荐系统中。现有的很多研究文献已经证明矩阵分解方法在推荐系统中能够产生更高的评分预测准确度。然而,现有的矩阵分解方法很少考虑一些辅助信息,更少方法会考虑到评分预测的置信度。
评分预测的置信度,即推荐系统对评分预测的可信任度具有提高推荐系统性能的重要作用,因为在现实世界里,用户通常唉推荐结果中有多种选择,这些选择具有不同的置信度。当评分本省不足以让用户做出最终决定时,评分预测的信任度就会明显影响用户的决策。
本文中,我们提出了一种置信度感知矩阵分解(Confidence-aware Matrix Factorization)模型,该模型可同时优化评分预测的准确性并测量模型中的预测置信度。具体来说,
(1)首先引入用户和商品的方差参数,通过预测间隔来衡量评分预测的可信度。
(2)其次,我们在统一框架下估量了评分预测和置信度,具体有两种实现方法,1)具有梯度下降和贝叶斯推断的置信感知概率矩阵分解,2)具有梯度下降和贝叶斯推断的置信度感知贝叶斯概率矩阵分解。联合建模的过程也提高了评分预测的准确性。
(3)通过结合评分预测的置信度和准确性,我们提供了一种用于产生TopK的置信度排名(Confidence-aware Ranking)方法。
参考文献:
Wang C, Liu Q, Wu R, et al. Confidence-Aware Matrix Factorization for Recommender Systems[J]. 2018.