RecSys16: Адаптивное, персонализированное разнообразие для визуального обнаружения

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