【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
这里写图片描述
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
这里写图片描述
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
这里写图片描述
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
这里写图片描述
解决方案
这里写图片描述
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
这里写图片描述

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。
这里写图片描述

与其他算法的比较
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值