Задача системы рекомендаций (13/50)

бумажная ссылка

Какую проблему они решают?

  1. Прогнозируемый рацион элементов с учетом того факта, что исторический рейтинг влияет на поведение пользователей

Какую модель они предлагают?

HIALF: Модель латентного фактора с учетом исторического влияния (HIALF)

b_u и q_up — это традиционная модель со скрытой переменной.

a_u означает, насколько легко пользователь u может быть затронут.

h_pi представляет искажение исторического рейтинга

|H_pi| представляет собой размер исторических рейтингов, которые помогают понять, как они влияют на пользователей. Представьте, что вы увидели 2 предмета с одинаковой оценкой 5/5, но 1 предмет с 10 000 оценок и другой с 10 оценками. Люди предпочитают первое. В этом случае они используют функцию f(*) для представления эффекта.

β(x) — это категориальная функция для представления индуцированного смещения, когда разница между e_pi и q_up, они применили для нее функцию ядра

Моделирование предварительного ожидания e_pi:

они применяли 2 стратегии:

  1. среднее историческое значение
  2. взвешивал больше на более свежих данных

Для учебы:

С целевыми функциями с условиями регуляризации они применили SGD (стохастический градиентный спуск) для обновления параметров.

Данные

Сравнение моделей

Модель латентного фактора (LF): традиционная модель

HEARD (Количественная оценка эффекта стадности в толпе): это модель, учитывающая социальное влияние предыдущих коллективных мнений.

HIALF: их модель предложения

HIALF-AVG: предварительное ожидание принимается как среднее значение исторических оценок без акцента на недавние оценки.

Результат

Другие связанные блоги:

Помимо кликов: время ожидания для персонализации

RecSys’15: Рекомендации по контекстно-зависимым событиям в социальных сетях, основанных на событиях

RecSys16: Адаптивное, персонализированное разнообразие для визуального обнаружения

RecSys ’16: локальные модели товаров для рекомендаций Top-N

COLING’14: Глубокие сверточные нейронные сети для анализа тональности коротких текстов

NAACL'19: использование BERT для анализа тональности на основе аспектов посредством построения вспомогательного предложения

RecSys ’17: Рекомендации на основе перевода

Лучшая статья в RecSys:

https://recsys.acm.org/best-papers/

Мой сайт:

https://light0617.github.io/#/