一、基本信息
论文题目：《Top-N Recommendation with High-Dimensional Side Information via Locality Preserving Projection》
作者及单位：
发表时间：SIGIR 2017
二、摘要
在本文中，我们利用高维侧信息来增强Top-N推荐。为了减少高维的影响，我们在推荐模型中引入了一种维数约简方法，即局部保持投影（LPP）。提出了一种联合学习模型，可以同时迭代地完成降维推荐任务。具体来说，推荐模型生成的项目相似度被用作LPP邻接图的权重，而投影则被用于偏差项目相似度的学习。采用LPP进行推荐，不仅保留了局部性，而且提高了项目的相似性。实验结果表明，该方法优于现有的方法。
三、主要内容与工作
1、Among the many available dimensionality reduction methods, Locality Preserving Projection (LPP) [3] has been shown to produce a low-dimensional space that well preserves locality. As recommendation quality largely depends on item similarity, LPP is a natural candidate in this setting.
2、
- we propose a top-n recommendation method to harness high-dimensional side information. By introducing a projection matrix, high-dimensional side information is reduced into a low-dimensional space.
- We present a joint learning model to simul-taneously perform LPP and learn item similarity.
- We then conceive an alternative iterative optimization method to solve the model.
3、
4、本文提出的模型
四、总结
本文介绍了利用高维侧信息提高推荐绩效所遇到的问题，现有文献对这些问题的研究还不充分。我们提出了一种新的方法来解决这一挑战，即投影规则化项目相似性模型——Prism。该方法将LPP和Top-N推荐集成到一个联合学习算法中。在新的框架下，LPP不仅解决了高维性带来的问题，而且提高了项目相似性的相关性。我们进行了大量的实验，结果证明了Prism的优越性。