[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