【论文阅读-CTR】<<Collaborative Filtering for Implicit Feedback Datasets>>阅读

标签：方法   svd   lte   融合   缺点   地方   set   数据   优化   

摘要：

以前的推荐使用用户的明确反馈，我们使用隐反馈；

文中方法优化过程和数据量呈线性关系；可以很好地和已有系统融合；

我们讲给出一个方法的解释。

1、介绍

1）电子商务对推荐要求很大

2）传统的推荐方法：

     一、基于内容，缺点：数据不好搜集

     二、协同过滤：优点：领域无关，可以捕获基于内容难以获得的信息，精度高

                         缺点：冷启动，基于内容的无此问题

3）推荐系统的数据类型：

    一、显性数据：评分，赞同/反对（thumbs-up/down），可用数据少

    二、隐性数据：购买、浏览、搜索等，数据多

4）隐性反馈数据的特点：

    一、没有负反馈

    二、数据有噪声：可能不是出于自己的需求发生行为（送礼）；买了不喜欢；观看热门视频

    三、显性数值特征反应偏好，隐性特征反应信心

    四、度量标准不好确定：显性反馈用MSE，隐性不知道

2、基础设置

    u,v表示用户；i,j表示item；r(u,i)表示行为or打分；没有行为记为0分。

3、之前的工作

1）邻域模型：先有user-base，后有item-base；item-base效果更好，原因是item反应用户偏好；而相似用户估计不准

    item-cf在显性反馈中用的也多，并且可以使用用户和item bias优化；但是隐性反馈使用诸如频次这样的数据，不适合；

    item-cf不好的地方在于无法区分用户偏好

2）LFM：pLSA,nn,LDA,SVD

     svd用于显性数据；优于cf

     本文核心是用svd于隐性数据

4、建模
1）模型：带权重的svd，权重项表示confidence

2）数据量级太大，sgd难以计算，使用als计算；als在大量miss值时好计算，在dense情况下不好算

3）基于ALS的优化，使时间复杂度降低为线性时间（推导没看懂）

4）建模变形：p(u,i)和c(u,i)的变化

5、模型解释

和模型推导一样，没看明白

6、

【论文阅读-CTR】<<Collaborative Filtering for Implicit Feedback Datasets>>阅读

标签：方法   svd   lte   融合   缺点   地方   set   数据   优化   

原文地址：http://www.cnblogs.com/ai1024/p/6883792.html