《 推荐系统的矩阵分解技术》论文精读（翻译）

IEEE Computer, pp. 30-37, 2009.     被引用：4699

PDF地址： 原文PDF
原文地址: 原文

摘要

正如Netflix奖竞赛所证明的那样，矩阵分解模型在产生产品推荐方面优于经典的最近邻技术，允许结合附加信息，如隐式反馈、时间效应和置信度。

关键词

可信度、矩阵分解技术、矩阵分解模型、附加说明、推荐系统、产品推荐、隐性反馈、经典最近邻技术、时间效应、Netflix奖竞赛

简介

• 正如Netflix奖竞赛所证明的那样，矩阵分解模型在产生产品推荐方面优于经典的最近邻技术，允许结合附加信息，如隐式反馈、时间效应和置信度。
• 这试图通过描述项目和用户的特征来解释评分，比如说，根据以下20到100个因素推断
• 所发现的因素矩阵分解表征了项目和用户，可能测量明显的维度，如喜剧与从项目评级模式推断的因素向量。

重点内容

• 正如Netflix奖竞赛所展示的那样，矩阵分解模型在产生产品推荐方面优于经典的最近邻技术，它允许结合附加信息，如隐含反馈、时间效应和置信度
• 电子零售商和内容提供商提供了大量的产品选择，为满足各种特殊需求和口味提供了前所未有的机会
• 为消费者提供最合适的产品是提高用户满意度和忠诚度的关键
• 越来越多的零售商对推荐系统感兴趣，该系统分析用户对产品的兴趣模式，以提供适合用户口味的个性化推荐
• 因为好的个性化推荐可以为用户体验增加另一个维度，像Amazon.com和网飞这样的电子商务领导者已经将推荐系统作为他们网站的一个显著部分
• 在推荐系统完成这个映射后，它可以通过使用等式1来估计用户将给予任何项目的评级

结果

• 在推荐系统完成这个映射后，它可以通过使用等式1来估计用户将给予任何项目的评级。
• 推荐系统依赖于不同类型的用户项目评分矩阵。
• 为了学习因子向量，系统使用隐式反馈最小化用户偏好集的正则化平方误差，隐式反馈间接已知评级:通过观察用户行为反映意见，包括购买历史、浏览历史、搜索模式，甚至鼠标移动。
• 矩阵分解模型以