论文描述:
*现有大多数Top-N推荐系统的工作原理是根据历史信息预测消费者对新商品的评分,并向消费者推荐预测值较高的新商品。历史信息包含显示信息,如,评分或评论文本,也包含隐式信息,如,用户的购买历史或浏览历史。
*现有Top-N推荐算法大致可以分为三类:基于领域的协同过滤,基于模型的协同过滤和基于排序的方法。这些方法的一个共同缺点在于推荐性能低。
*最近提出了一种新的Top-N推荐方法SLIM。该方法通过将每个商品编码为所有其他商品的线性组合来学习稀疏聚合系数矩阵W,并通过解决1范数和2范数正则化优化问题,提高了推荐系统的性能,但是SLIM只能捕捉到由至少一个用户共同购买或共同评分的商品之间的关系,不能克服推荐系统数据稀疏的问题。
*LorSLIM对SLIM方法中W施加了低秩约束,可以在稀疏数据集上对商品之间的关系进行建模,提高了推荐系统的性能。
*在本文中,我们在以上两种方法上做了如下改进:
**首先通过解决非凸优化问题来填补缺失的评分,基于用户的评分仅受少数因素影响并且得到的评分矩阵是基于低秩假设的
**然后对于秩最小化问题,我们没有使用核函数进行近似,而是使用了log-determimant(logdet)函数
**最后设计了一个有效的优化算法,进一步提高了推荐系统的性能。
参考文献:
Kang Z, Peng C, Cheng Q. Top-N Recommender System via Matrix Completion[C]//AAAI. 2016: 179-185.