基于偏好的图模型用于协同过滤
摘要：协同过滤是一种非常有用的通用技术，可以利用用户群体的偏好模式来预测对特定用户的物品的效用。先前的研究已经研究了几种概率图模型用于合作过滤，取得了令人满意的结果。然而，虽然这些模型在一定程度上成功捕捉了用户和物品之间的相似性，但它们都没有考虑到具有相似兴趣的用户在评分模式上可能存在很大差异；有些用户倾向于给所有物品都给出较高的评分，而其他用户则不然。在本文中，我们提出并研究了两种新的图模型，以解决用户偏好和评分之间的差异。在一种模型中，称为解耦模型，我们引入了两个不同的变量来解耦用户的偏好和评分。在另一种模型中，称为偏好模型，我们对用户喜好物品的顺序进行建模，而不是用户对物品的数字评分。对两个电影评分数据集的实证研究表明，适当建模用户偏好和评分之间的差异可显著且持续地提高性能。具体地，我们提出的解耦模型明显优于与之进行比较的现有五种方法，但偏好模型并不非常成功。这些结果表明，在协同过滤中明确建模潜在的用户偏好非常重要，但是我们不能完全忽视评分信息。
作者：Rong Jin, Luo Si, ChengXiang Zhai
论文ID：1212.2478
分类：Information Retrieval
分类简称：cs.IR
提交时间：2012-12-12