笔记：“Told You I Didn’t Like It”: Exploiting Uninteresting Items for Effective Collaborative Filtering

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：

1. 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。
2. 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；】
3. 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。
4. 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
5. 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】
6. 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】
7. 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：

1. 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
2. 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。