直接优化物品排序的推荐算法

最新推荐文章于 2022-06-25 18:20:32 发布

chemical_romance

最新推荐文章于 2022-06-25 18:20:32 发布

阅读量5.7k

点赞数

分类专栏：推荐系统文章标签： learning to rank 推荐系统排序

本文链接：https://blog.csdn.net/u013166160/article/details/17935193

版权

本文探讨了如何将Learning to Rank应用于推荐系统，重点介绍了两种模型：Bayesian Personalized Ranking (BPR) 和 Collaborative Less-is-More Filtering (CLiMF)。BPR通过优化pair-wise目标实现个性化排序，而CLiMF则针对列表前面错序问题，优化平均倒数位置（MRR）。实验表明，BPR在不同数据集上的表现因领域差异而异，而CLiMF旨在提高相关物品的排名并分散展示。

摘要由CSDN通过智能技术生成

一直以来，推荐系统预测用户对物品的喜好程度，然后将预计用户最喜欢的前N个物品推荐给它，以实现个性化推荐。可以看到，这其实可以当成一个rank问题：将用户喜欢的物品排序，然后推荐前N个它最喜欢的。虽然如此，之前的model-based CF（如Matrix factorization, FM）和memory-based CF（如K-Nearest-Neighbor, KNN）都不是直接为排序而优化的。

相反，Web搜索引擎一直使用learning to rank的方法给文档排序。所谓learning to rank就是使用机器学习的方法习得一种自动排序的方法。常用来衡量排序性能的指标有：NDCG（Normalized Cumulative Discounted Gain），MRR（Mean Reciprocal Rank），ERR（Expected Reciprocal Rank）等。不过[26]指出，信息检索中的measures都是不连续的——所谓不连续就是如果一个物品的评分（排名）变化，那么整个推荐的utility不是连续变化的。因此很多基于梯度下降的机器学习方法无法直接优化这些measures。于是，learning to rank优化其他的目标函数。主要分成3类（可以看到，这三种方法，从上到下样本空间是依次增大的）：

①Point-wise：分别优化单个物品的cost，而不考虑物品将的顺序。其实这个便退化成预测usage准确率的问题了。但是[27]指出point-wise方法被证明在Web s