快速读论文-VBPR: Visual Bayesian Personalized Ranking from Implicit Feedback

摘要:

现代推荐系统通过发现或“挑逗”编码项目属性和用户偏好的潜在维度，对人和项目进行建模。关键的是，这些维度是根据用户反馈发现的，通常是隐式的（比如购买他的保守党、浏览日志等）；此外，一些推荐系统还利用辅助信息，如产品属性、时态信息或评论文本。然而，现有的个性化推荐和排名方法通常忽略的一个重要特征是所考虑项目的视觉效果。在本文中，我们提出了一个可扩展的因子分解模型，将视觉信号纳入人们观点的预测因素中，并将其应用于大量真实数据集。我们利用（预先训练的）深层网络从产品图像中提取的视觉特征，在此基础上，我们学习了一个额外的层次，揭示了最能解释人们反馈变化的视觉维度。这不仅导致更准确的个性化排名方法，而且有助于缓解冷启动问题，并定性分析影响人们观点的视觉维度。

总结:

视觉决策因素会影响人们做出的许多选择，从他们穿的衣服到他们之间的互动。在本文中，我们研究了视觉特征对即时反馈数据集上个性化排序任务的有用性。我们提出了一种可扩展的方法，将从产品图像中提取的视觉特征合并到矩阵分解中，以揭示最影响人们行为的“视觉维度”。我们的模型采用随机梯度上升的贝叶斯个性化排序（BPR）进行训练。在多个大型真实数据集上的实验结果表明，我们可以显著优于最先进的排名技术和所有的冷启动问题。作为未来工作的一部分，我们将进一步用时间动力学扩展我们的模型，以解释时尚品味随时间的漂移。此外，我们还对调查我们提出的方法在明确反馈设置中的有效性感兴趣。