![8ee37c396063b000b1c96e25cb003e2d.png](https://img-blog.csdnimg.cn/img_convert/8ee37c396063b000b1c96e25cb003e2d.png)
Factorizing Personalized Markov Chains for Next-Basket Recommendation
摘要和介绍
这篇文章发表于 WWW2010,当时主流的推荐方法是MF和MC
- MF(Matrix Factorization) : 用于建模用户与物品的偏好。给定已知用户和物品的交互,来预测矩阵中其他未知位置的用户偏好,方法有SVD分解,隐变量模型和基于优化/学习的方法等。
- MC(Markov Chain): 用于建模用户与商品交互的序列信息。MC方法基于转移矩阵,通过上一时刻的交互来预测下一个时刻的用户交互。
FPMC(Factorizing Personalized Markov Chains for Next-Basket Recommendation):
MF方法适合于建模personalized的推荐场景,MC方法适合于建模sequential的推荐场景,那么在Next-Basket Rec的任务中,如果既想考虑user-taste,又想考虑sequential信息,应该怎么做?
作者想了一个很自然的方法,那就是给每一个user建模一个markov transition matrix。也就是建模一个