一种面向完全冷项推荐的多视图内容协同过滤模型
摘要
本文提出了CB2CF,它是项目内容与项目CF表示之间的桥梁。
CB2CF是一个为微软商店服务设计的真实世界的算法,它可以
处理全球大约10亿用户。CB2CF在电影和应用程序推荐中进行了演示
CF方法通常比CB方法更准确,因为它们捕获特定的用户口味。
CB2CF它在完全冷的物品上表现得比CB模型更好。
介绍
当引入一个新的(cold)项时,我们希望能够仅基于cb数据找到其最相似的项。因此,本文提出了学习相似项关系的cb2cf算法。
CB2CF的目标是仅从内容上产生项目相似性,其中培训模型的监督来自外部CF模型。
CB2CF能够在CF空间中嵌入完全冷项。通常,这些新项与从分类、连续和非结构化文本数据混合获得的CB配置文件相关联。
例如,电影的CB数据包含标记(例如:类型)、数值&