[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

[paper阅读] 跨领域推荐系统:综述

简介

跨领域推荐兴起的意义在于:

  • 不同领域之间知识迁移的挑战
  • 跨越多个领域之间提供推荐服务的商业潜力

Winoto等人发表了首篇关于跨领域推荐的研究,研究了以下三个非常重要的课题:

  • 验证了在多个领域中用户偏好具有全局的相关性
  • 设计了一个模型呢,能够探索将用户在一个领域的偏好用来在另一个领域进行预测
  • 提出了适用于跨领域推荐的假设

跨领域推荐

领域的定义

可以从以下四个级别对领域进行定义:

  • 属性级别:例如电影的属性是-动作片和喜剧片,这就是两个不同的领域
  • 类型级别:例如待推荐物品是电影和电视剧,这则是类型级别的不同领域
  • 物品级别:例如待推荐物品分别是电影和书籍,它们大部分属性并不相同
  • 系统级别:属于被看作是不同领域的不同系统的物品的推荐,例如在Netflix上观看的电影和在Movie Lens推荐系统中评分的电影

继续阅读

[Paper阅读] TencentRec: 实时流推荐实践(一)

动机

  • 传统推荐系统(定期分析数据和更新模型)无法满足现代网络应用的需求
  • 本文主要解决实时推荐中的“大型”/“实时”/“精准”等挑战,从三个方面(“系统”/“算法”/“数据”)提出了一个通用的实时流推荐系统
  • 实现了几个经典/使用的推荐算法,包括:基于物品的协同过滤/基于内容的算法以及基于人口统计的算法
  • 详细介绍了实用/可扩展的基于物品的协同过滤及其非常特别的特性:例如对隐式反馈问题/渐增更新/实时剪枝等方面的健壮性

解决方案

  • “大型”——“系统”,利用storm来支持实时计算,利用它的计算能力来分析大量数据流;为了解决大量的数据存储和状态数据存储,开发了两个组件,分别被称为:TDAccessTDStore
  • “算法”——为了适用于不同的应用需求,基于storm实现了一系列经典的推荐算法,包括:基于物品的协同过滤/基于人口统计的算法以及基于内容的算法
  • “数据”——通过实时收集和处理数据,能够实时获取用户的喜好和兴趣变化

架构概述

继续阅读