[paper阅读] 物品的丝绸之路-向社交用户推荐来自信息领域的物品(一)

本周给大家带来跨领域推荐的一篇论文Item Silk Road: Recommending Items from Information Domains to Social Users。本篇博客是该系列的第一部分,主要介绍了论文的摘要、简介、预备知识以及具体方法中的信息领域中的学习等,下周继续剩下的部分~

摘要

一般说来,在线平台可以分为两大类:面向信息和面向社交的领域。前者指的是强调用户-物品交互的论坛或者电子商务网站,例如Trip.com

继续阅读

[paper阅读]针对冷启动用户的、基于邻居用户特征映射的跨领域推荐(二)

这一周接着介绍针对冷启动用户的、基于邻居用户特征映射的跨领域推荐的具体模型实现和实验相关的介绍,如果没有阅读第一部分的童鞋,可以移步这里对论文的摘要、背景介绍、相关工作以及问题形式化等部分进行初步的了解。
论文原文:Cross-Domain Recommendation for Cold-Start Users via Neighborhood Based Feature Mapping

融合用户相似性的矩阵分解

用户在不同物品领域的评分行为可能完全不同。例如,一个用户可能在电子产品领域有许多评分但是在服装上只有很少的评分。另外一个示例是:用户可能会使用包括表演技巧、场景、故事线等方面来评估一个电影,但是他们可能会使用不同的方面来评估一本书。因此,在本文中模型的第一步,作者对不同领域的评分矩阵进行了不同的处理,以获取用户面向领域的潜在特征。为了更好地在稀疏领域对用户进行刻画,作者考虑了用户的评分行为,并且提出了一个名为

继续阅读

[paper阅读]针对冷启动用户的、基于邻居用户特征映射的跨领域推荐(一)

这周有点事儿,周六见了大学童鞋,周日去了姑姑家玩~ 这周主要介绍论文的摘要、背景介绍、相关工作以及问题形式化等部分,剩余内容请期待下周~

摘要

协同过滤算法是推荐系统中被广泛采用的技术。传统的协同过滤模型主要集中于在某个领域中预测用户对物品的偏好(例如,电影领域或者音乐领域)。这些模型中一个非常大的挑战就是:数据的稀疏性问题,特别是对于那些没有任何评分的冷启动用户而言,协同过滤无法进行精确的预测。在这篇文章中,作者提出了一个跨领域潜在特征的映射模型(Cross-Domain Latent Feature Mapping, CDLFM),用于在目标领域为冷启动用户生成推荐。首先,为了更好地在稀疏领域刻画用户,作者考虑了用户在评分行为上的相似性关系,并且提出了通过融合用户相似性的矩阵分解(Matrix Factorization by incorporating User Similarity,

继续阅读

[paper阅读]跨领域推荐系统:现状调研

这篇文章的主要内容是:
– 提供了问题的正式定义和声明,介绍了现状的概述
– 建立了一个通用的分类来更好地刻画/分类和比较改进工作
– 总结了在跨领域推荐方面有趣的研究课题

简介

事实上,用户在不同领域之间的喜好是相互依赖/互相关联的,我们不应该单独处理每种类型的物品,在某个领域获得的用户知识应该可以在其它几个领域中迁移和探究。此外,尽管这不是跨领域推荐的主要目标,但是一个系统应该可以在多个领域提供针对物品综合的/个性化的推荐。

跨领域的推荐可能无法带来更精确的推荐,但是可以提高推荐结果的多样性,可能会带来更高的用户满意度。此外,跨领域推荐还有其它方面的优势:(1). 解决冷启动问题;(2). 缓解稀疏性问题。

跨领域推荐

领域的定义

继续阅读