Задача системы рекомендаций (10/50)
Какую проблему они решают?
Лучшая система рекомендаций по поиску модной одежды с диверсификацией предметов.
Какие другие решают эту проблему?
Большинство исследователей использовали рейтинг как числовое представление. И спрогнозировать рейтинг с учетом взвешенности (временной эффект, похожие пользователи). Однако в некоторых распространенных сценариях нет прямой связи между отзывами пользователей и числовыми значениями, даже если отзывы содержат больше информации, чем бинарное указание «нравится-не нравится».
Какая у них модель?
РЕЛЕВАНТНОСТЬ ПУНКТА ОЦЕНКИ
Базовая модель:
Линейная пробит-регрессия: сопоставление элементов с CTR.
где функция, обратная фи-функции, является пробит-функцией.
Тем не менее, холодный элемент не будет подвергаться проверке и весу для обновления -› дилемма исследования-эксплуатации.
Многорукий бандит:
Они применяют метод выборки Томпсона для создания многорукого бандита путем выборки веса каждой модели из ее апостериорного распределения с учетом обучающие данные. Затем мы используем выборочные веса для вычисления уравнения (1) для каждого элемента.
Это означает, что товары с наивысшими баллами будут представлять собой смесь популярных товаров с высокой ожидаемой ценностью (стратегия эксплуатации) и недоэкспонированных товаров, которые случайным образом получили высокую оценку выше ожидаемой ценности (исследование). стратегия).
СУБМОДУЛЬНАЯ ДИВЕРСИФИКАЦИЯ
A = [a1, a2,… an]: обозначают векторы атрибутов для набора из n элементов.
a_i : одноразовое кодирование в d-измерениях, определяющих атрибуты.
Пусть w обозначает d-мерный вектор, который кодирует пользовательские предпочтения для каждого из d атрибутов элемента.
ПЕРСОНАЛИЗАЦИЯ
Изучение адаптивных глобальных весов
Как контролировать w (вес категории)?
Изучение пользовательских весов
Моделирование пользователей
Распространение сигнала клика пользователя
Чтобы обеспечить доступ пользователя к связанным категориям, мы распространяем наши обновления Дирихле между категориями.
Пусть M — матрица размера d на d.
где запись Mij = (# пользователям нравится i и j) / (# пользователям нравится j)
Для того, чтобы зафиксировать корреляцию между двумя категориями.
Данные
Амазон Стрим (www.amazon.com/stream).
Результат
Для субмодульного диверсификатора:
- Субмодуль лучше, чем многочлен
- адаптивный глобальный вес категории лучше, чем ручной вес категории экспертом
- персонализированный вес категории лучше, чем глобальный вес
Другие связанные блоги:
Надежные рекомендательные системы
Производительность рекомендательных алгоритмов на топ-n рекомендательных задачах
Матричная факторизация с распространением доверия для рекомендаций в социальных сетях
Скрытые факторы и скрытые темы: понимание параметров рейтинга с помощью текста отзыва
Помимо кликов: время ожидания для персонализации
RecSys’15: Рекомендации по контекстно-зависимым событиям в социальных сетях, основанных на событиях
Лучшая статья в RecSys:
Мой сайт: