【论文标题】Using graded implicit feedback for bayesian personalized ranking （RecSys '14 recsys.ACM ）
【论文作者】Lukas LercheTU Dortmund, Dortmund, Germany
Dietmar JannachTU Dortmund, Dortmund, Germany
【论文链接】Paper link（4-pages // Double column）
【摘要】
在推荐系统的许多应用领域中，显式评分信息是很稀疏的或根本不存在。因此，当前用户的偏好是通过解释他或她的行为（如隐式的用户反馈）来实现的。在很多文献中，许多算法都只依赖于这种隐式的反馈，其中包括贝叶斯个性化排序（BPR）。
在BPR方法中， 在训练阶段对项目进行两两比较，这些比较对的形式是：如果用户以某种形式与 item i 交互，而没有与 j 交互，那么可以认为 i 优于 j。然而在现实世界的应用中，隐含的反馈并不一定局限于这样的二元决策，例如，不同类型的用户行为，像浏览商品、将商品加入购物车或购买商品等行为，以及可能存在随着时间，对一个商品产生不同的几种行为等。
在本文中，我们将展示如何扩展BPR以处理更细粒度的、分级的偏好关系。实证分析表明，该扩展可以显著提高BPR对现实电子商务数据集的预测精度。
【论文作者】Lukas LercheTU Dortmund, Dortmund, Germany
Dietmar JannachTU Dortmund, Dortmund, Germany
【论文链接】Paper link（4-pages // Double column）
【摘要】
在推荐系统的许多应用领域中，显式评分信息是很稀疏的或根本不存在。因此，当前用户的偏好是通过解释他或她的行为（如隐式的用户反馈）来实现的。在很多文献中，许多算法都只依赖于这种隐式的反馈，其中包括贝叶斯个性化排序（BPR）。
在BPR方法中， 在训练阶段对项目进行两两比较，这些比较对的形式是：如果用户以某种形式与 item i 交互，而没有与 j 交互，那么可以认为 i 优于 j。然而在现实世界的应用中，隐含的反馈并不一定局限于这样的二元决策，例如，不同类型的用户行为，像浏览商品、将商品加入购物车或购买商品等行为，以及可能存在随着时间，对一个商品产生不同的几种行为等。
在本文中，我们将展示如何扩展BPR以处理更细粒度的、分级的偏好关系。实证分析表明，该扩展可以显著提高BPR对现实电子商务数据集的预测精度。
【论文作者】Lukas LercheTU Dortmund, Dortmund, Germany
Dietmar JannachTU Dortmund, Dortmund, Germany
【论文链接】Paper link（4-pages // Double column）
【摘要】
在推荐系统的许多应用领域中，显式评分信息是很稀疏的或根本不存在。因此，当前用户的偏好是通过解释他或她的行为（如隐式的用户反馈）来实现的。在很多文献中，许多算法都只依赖于这种隐式的反馈，其中包括贝叶斯个性化排序（BPR）。
在BPR方法中， 在训练阶段对项目进行两两比较，这些比较对的形式是：如果用户以某种形式与 item i 交互，而没有与 j 交互，那么可以认为 i 优于 j。然而在现实世界的应用中，隐含的反馈并不一定局限于这样的二元决策，例如，不同类型的用户行为，像浏览商品、将商品加入购物车或购买商品等行为，以及可能存在随着时间，对一个商品产生不同的几种行为等。
在本文中，我们将展示如何扩展BPR以处理更细粒度的、分级的偏好关系。实证分析表明，该扩展可以显著提高BPR对现实电子商务数据集的预测精度。