Задача системы рекомендаций (13/50)
Какую проблему они решают?
- 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:
- среднее историческое значение
- 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
RecSys ’17: Рекомендации на основе перевода
Лучшая статья в RecSys:
Мой сайт: