阅读日期:2020.2.13-2.14
论文题目:《“Told You I Didn’t Like It”: Exploiting Uninteresting Items for Effective Collaborative Filtering》
发现问题:
- 一些算法面临数据稀疏问题,会考虑加入额外信息如点击次数、书签等,成本较高且这些数据也可能有数据稀疏问题。
- 一些算法简单化地将未评级的物品都视为不感兴趣的物品,或将其赋予较低的评级分数,不够准确。
主要贡献:
【避免推荐用户不感兴趣的物品,更准确地理解用户的兴趣;】 - 引入了无兴趣物品的新概念,并将用户的偏好分为使用前和使用后的偏好,以识别无兴趣物品。
- 通过解决OCCF问题推断出的使用前偏好成功地识别了不感兴趣的物品,并展示了它的含义和有效性
- 提出使用零注入的方法来排除无兴趣的物品,并通过考虑无兴趣的物品来改进相对偏好的预测。
【优化-实验证明】 - 实验证明相较于传统CF算法,准确度和运行时间都有所提升。
【应用】 - 本文提出的零注入矩阵方法与应用的算法无关,能够易于应用在各种已知的CF算法中。
总结与感悟:
- 本文从发现现有算法存在的问题出发,相较于其他算法对于该问题的解决,它的成本更低、推荐准确度更高
- 主要是“概念新”,提利用了现有的OCCF框架与调参去识别uninteresting物品,从而修改生成新的用户-物品矩阵。