BPR: Bayesian Personalized Ranking from Implicit Feedback-CoRR 2012——20160421

1、Information 

publication：CoRR 2012

2、What

商品推荐中常用的方法矩阵因子分解(MF)，协同过滤（KNN）只考虑了用户购买的商品，文章提出利用购买与未购买的偏序关系对，利用机器学习的方法，进行模型训练，发现对于未购买商品的推荐（即排序问题）效果有提升。

 

3、Dataset

Rossmann（online shop):user-item(1w-4k), Netfliex(DVD rental dataset)

4、How

input: 

Ds(u,i,j):用户购买商品偏序关系对的集合

output:BPR模型参数.

在MF 和KNN 中分别是

MF: X=WH'.输出为W,H

KNN:X=sum(C).输出为C.

method：

论文不使用通常MF和KNN算法中，最小化损失函数来得到模型参数；而是利用用户对商品购买和未购买的偏序对关系，采用的是最大化BPR算法参数的后验概率，通过随机梯度下降的方法，得到MF和KNN算法的参数，进行商品的排序推荐。

5、Evaluation:

AUC: 从每个用户的(u,i,j)偏序关系中抽出一条用作测试。

baseline:

most popular, cosine-KNN, SVD-MF,WR-MF

6、Conclusion

利用偏序关系做商品推荐，是一个很强的baseline;

7、Think

文章是基于用户购买记录，利用偏序关系对做商品推荐（思考：与社交媒体结合，预测用户购买商品的偏序关系？研究意义是：社交媒体信息可以用于对商品购买的预测。）