【RS】Using graded implicit feedback for bayesian personalized ranking - 使用分级隐式反馈来进行贝叶斯个性化排序
【论文标题】Using graded implicit feedback for bayesian personalized ranking (RecSys '14 recsys.ACM )
【论文作者】Lukas LercheTU Dortmund, Dortmund, Germany
Dietmar JannachTU Dortmund, Dortmund, Germany
【论文链接】Paper link(4-pages // Double column)
【摘要】
在推荐系统的许多应用领域中,显式评分信息是很稀疏的或根本不存在。因此,当前用户的偏好是通过解释他或她的行为(如隐式的用户反馈)来实现的。在很多文献中,许多算法都只依赖于这种隐式的反馈,其中包括贝叶斯个性化排序(BPR)。
在BPR方法中, 在训练阶段对项目进行两两比较,这些比较对的形式是:如果用户以某种形式与 item i 交互,而没有与 j 交互,那么可以认为 i 优于 j。然而在现实世界的应用中,隐含的反馈并不一定局限于这样的二元决策,例如,不同类型的用户行为,像浏览商品、将商品加入购物车或购买商品等行为,以及可能存在随着时间,对一个商品产生不同的几种行为等。
在本文中,我们将展示如何扩展BPR以处理更细粒度的、分级的偏好关系。实证分析表明,该扩展可以显著提高BPR对现实电子商务数据集的预测精度。
posted on 2018-09-28 19:13 CuriousZero 阅读(266) 评论(0) 编辑 收藏 举报