ncf 推荐系统_【Rec论文阅读】在社交数据上的冷启动和长尾推荐

Title

On both Cold-Start and Long-Tail Recommendation with Social Data

写在前面

这篇论文提出了一种基于MF的协同过滤算法，来同时解决现实世界推荐系统面临的两个挑战：冷启动和长尾推荐。

1. 冷启动是针对一个完全新的用户或商品做推荐；
2. 长尾推荐的核心是给大多数交互信息少的用户或商品做推荐。

创新点

1. 是一个能同时解决冷启动和长尾推荐的模型；
2. 此外，提出了该模型的快速扩展，并且分析了误差边界和泛化边界；

方法

普通的矩阵分解形式如下：

(Y为评分矩阵，k为隐向量维度，U为用户隐向量矩阵，I为物品隐向量矩阵)

传统的MF模型，存在冷启动问题，毕竟有用户交互信息才能参与训练。

为了解决冷启动问题：

文中提到需要参考一些辅助信息，例如：

1. 用户属性（性别、年龄、出生地等）
2. 商品属性（图片的CNN特征等）
3. 社交属性（用户朋友群体）

本文提出的MF模型正利用了用户维度的辅助信息：

这里的s为用户辅助信息的维度，比如信息包括(年龄、性别、出生地、社交关系)，那么s就等于4；W相当于是一个从用户信息到物品评分的映射；

这是一个关于用户辅助信息的线性模型，因此不存在冷启动问题。

为了解决长尾推荐问题，文中提出一种思路：

将长尾问题中的短头(short head)和长尾(long tail)分开来讨论，这样做是因为SH部分的数据通常是低秩的，LT部分的数据是稀疏的。分开讨论，便于引入不同的正则项。

因此问题转换成了：

SH部分使用了核范数为正则项，确保低秩；LT部分使用了L1范数，确保稀疏。

核范数部分可以写成XW奇异值的和：

最终得到下面的目标函数：

这个函数是非凸的，文中提出一种交替优化的算法：

固定LT部分，优化SH；然后固定SH部分，优化LT，迭代直到收敛。

原模型的扩展

扩展部分涉及到大量公式推导，这里就不详细介绍了。

实验结果

可以看到，在几个公开数据集上的效果优于NCF以及一些传统方法。

结论

本文通过提出一种对用户辅助信息线性建模的算法，将用户冷启动问题和长尾推荐问题在一个模型上解决，并提出了一系列的优化方法和理论分析。