本文介绍了基于隐式反馈的个性化推荐方法BPR（Bayesian Personalized Ranking），该方法通过最大后验估计优化推荐项目的排序，并提出了适用于矩阵分解和自适应kNN的通用优化准则。实验证明，BPR在个性化排序任务上表现优于传统技术。
【论文标题】BPR：Bayesian Personalized Ranking from Implicit Feedback （2012，Published by ACM Press）
【论文作者】Steffen Rendle, Christoph Freudenthaler, Zeno Gantner, Lars Schmidt-Thieme
【论文链接】Paper （10-pages // Double column）
【摘要】
项目推荐是预测一组项目集合（如网站、电影、产品）的个性化排名的任务。在这篇论文中，我们用隐式反馈（例如点击、购买）来调查最常见的场景。有许多利用隐式反馈来做项目推荐的方法，如矩阵分解（MF）或自适应k近邻（kNN）。尽管这些方法是为个性化排序的项目预测任务而设计的，但没有一个是直接针对排名 ranking 进行优化的。在这篇论文中，提出了一种通用的优化准则，即利用贝叶斯分析推导得到最大后验估计。我们还提供了一种通用的学习算法，用于对BPR-Opt进行优化模型。该学习方法是基于引导抽样（bootstrap sampling）的随机梯度下降法。我们展示了如何将我们的方法应用到目前两个最先进的推荐模型中：矩阵分解和自适应kNN。我们的实验表明，在个性化排序的任务中，我们的优化方法优于MF和kNN的标准学习技术。结果表明，优化模型对正确准则的重要性。
【介绍】
扫一扫
828
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
