《Collaborative Filtering for Implicit...》论文阅读

论文题目：Collaborative Filtering for Implicit Feedback Datasets

链接：link

1 Introduction

随着电商的快速发展，为用户提供商品的排序很重要。推荐系统就是为用户提供符合口味与偏好的个性化推荐。

大致的说推荐系统有两种策略。一、基于内容的推荐，根据用户的历史行为的商品的信息来推荐。比如电影推荐，可以根据用户看过的电影的流派、演员等进行推荐。缺点是这些商品的信息不容易收集。二、协同过滤，通过分析用户与商品之间的依赖性来进行推荐。例如，将用户1喜欢的商品推荐给与用户2 志趣相投的用户2。缺点是冷启动问题，也就是说不能推荐一个新出现的商品。

推荐系统依的输入可以分为两种。一、显示反馈，例如用户直接对电视节目进行喜欢和不喜欢的选择。但是这种数据很多时候是得不到的 二、隐式反馈，也就是能间接反映用户偏好的数据。比如，购买记录，浏览记录，搜索记录，鼠标移动。例如一个用户多次购买某个作者的书籍，隐式的反馈出该用户的偏好。

之前很多工作在显示反馈的数据上进行探究，因为这样的数据纯粹单一。但是，在很多应用场景下，显示反馈数据很难得到，因此就需要通过用户的隐式反馈来推荐。

我们的工作是利用用户的隐式反馈来推荐电视节目。

隐式反馈相较于显示反馈有以下特点：

1、没有消极的反馈。通过观察用户的历史行为，我们能够推断用户可能喜欢或者消费的商品。然而却很难推断用户不喜欢的商品。

2、有很多噪音。例如，用户虽然购买了某件商品，但可能对商品失望或者是为别人买的。

3、显示反馈的数值代表着用户的喜好程度，隐式反馈的数值代表着置信度。例如，用户给商品打分，1-5，1代表完全不喜欢，5代表非常喜欢。隐式反馈中的观看电视节目的频率则不能反应用户的喜好程度。

4、隐式反馈推荐系统的评测需要更多的措施。

2、Preliminaries

Users用u,v表示，items用i,j表示，Ru,i 代表用户与商品的交互，由用户观看了这个电视节目多久得到。

3 Previous work

3.1 Neighborhood models

协同过滤算法，分为基于用户的和基于商品的。

3.2 Latent factor models

将用户与商品映射成向量，两者的点击逼近taget值

4 Our model

其中：

两个贡献：

1、 将用户与商品的交互，转化成喜好程度与置信度两个值

2、 优化了算法复杂度