【笔记】《ExcUseMe: Asking Users to Help in Item Cold-Start Recommendations》

冷启动问题在协同过滤推荐系统中很重要。
当新的item加入到列表里时，系统不能正确建立模型，因为它依赖用户的历史交互。

ExcUseMe算法

协同过滤系统通过预测用户的兴趣，为用户提供最相关的item
CF依赖用户的activity，优点：高准确率，良好的扩展性，不需要根据上下文提取特征。

加入新user或新item，称为冷启动问题

ExcUseMe目的在于选出对新item感兴趣的用户，以便收到反馈。
ExcUseMe算法试图挖掘感兴趣用户的平均特性。
首先根据distinct tastes选择不同的用户，直到收到第一个反馈。
一旦一个用户提供了反馈，ExcUseMe选择与他相似的其他用户，因此更有可能收到对新item的反馈。

将ExcUseMe与最先进的算法在多个数据集和方案上进行比较，得到了最好的RMSE
在实验中还发现，被选择的对新item感兴趣的用户收敛，因此有更好的用户体验

• N users: U = {u1, u2, . . . , uN }
• M “old” items: Q = {q1, q2, . . . , qM}
• N·M interactions: I : U × Q → {0, 1}, where I(u, q) equals 1 if u provided feedback to q, or 0 otherwise.

假设通过协同过滤得到user u对item q的兴趣为

V_u 和V_q 是d维向量latent vector，b_u 和 b_q 是biases，μ是平均反馈率

定义冷启动问题
• a new item i
• a candidate set UA (⊆ U) revealed in an online fashion
• a budget of k users for exploring i
从U_A 中选择k个user对item i进行交互，计算令RMSE最小的latent factor vector和bias

为了从交互中计算Vectors和Biaase
假定我们有k个users， U_i={u_j1,…,u_jk}，以及对新item i的交互 I_i:U_i→{0,1}
最小化

解决方案

V_u^′ 是向量(1,V_u)，左边的项不可逆，引入正则项λ得到一个可逆的项

在线框架
假设user一个接一个的到来。对于一个到来的用户，要立即决定是否选择向他展示new item。
如果用户被选择，就会得到一个I_i (u)，表示u是否对new item i 感兴趣。
解决方法，用间隔分割user，每个间隔有学习阶段和选择阶段。在学习阶段不做选择而是计算评分函数F_s 和最高得分。在选择阶段，选择第一个不低于最高得分的user。如果没有，选择最后一个user。当选择出user后，下一个间隔到来。

Algorithm 1 总结了这个过程。

与其他算法的比较