Web and Knowledge-based Information Systems方向共有26篇文章,我看了其中13篇,有6篇和recommendation有关。
有3篇文章可能比较重要,下面详细介绍:
Recommendation(2)
1. Promoting Diversity in Recommendation by Entropy Regularizer
问题:based on user and item similarity的推荐系统存在over-specified的问题
目的:
解决推荐列表趋同化的问题,引入多样性并用Entropy Regularizer来进行度量,提高推荐列表的多样性。
方法:
1) 定义函数g(S)度量一组rating的不确定性,R(S)表示推荐集的质量
2) 目标函数为最大化评价函数R(S) +λg(S)
3) 由于定义函数具有良好性质(Submodularity & Monotonicity),用贪心法可求得近似最优解
2. Collaborative Topic Regression with Social Regularization for Tag Recommendation
目的:引入social network between items的信息改善标签推荐
方法:
1) 目前常用方式有:
a) item-tag matrix:use the co-occurrence of tags among items
b) item content information:directly adopt the content of resources
2) 文章首先用CTR模型将上述两方面信息结合起来,用MAP估计学习参数
3) 在此基础上继续引入social network between items(比如文章的引用关系)扩展为CTR with social regularization模型
Social media(1)
3. PageRank with Priors: An Influence Propagation Perspective
目的:建立网页的authority measurement和社交网络的influence modeling的联系
方法:
1) 文章首先构造一个衡量社交网络影响力的线性模型
2) 然后证明该模型等同于带有先验知识的PageRank算法,即PageRank算法为此模型的特例
3) 建立了利用PageRank value构造上界以寻找top-K authoritative nodes with general priors的算法