推荐系统中的冷启动商品推广
在本篇论文中,我们提出了一种结合活跃学习与商品属性信息的新型冷启动推荐方法,该方法基于商品属性和用户的评价历史设计了有用的用户选择标准,并将该标准组合成选择用户的优化框架。通过利用反馈评分、用户先前评分和商品属性,我们为其他未被选中的用户生成准确的评分预测。实验结果表明,我们的方法优于传统方法。
May, 2018
本研究揭示了来自典型电商应用视角的 “连续冷启动” 问题及其对于基于内容和上下文的推荐的影响,举例说明了在 Booking.com,类似用户很少访问网站,随时间改变兴趣,或表现出不同的个性的情况
Aug, 2015
本研究探讨集体矩阵分解模型在推荐系统中的应用,提出了一种新的公式,可以更快地预测没有反馈或互动数据但有辅助信息的用户和商品,虽然冷启动推荐不如热启动的推荐准确,但比非个性化推荐效果更好,而且对于新用户的预测比新商品更可靠。此处提出的公式在许多场景下改进了冷启动推荐,但热启动推荐效果有所下降。
Sep, 2018
本研究通过解决冷启动问题来建立协同过滤(CF)的推荐系统,并通过将优化问题形式化为寻找内容不可用的新项目的最优用户评级的任务来研究是否可以仅使用 CF 技术来缓解此问题。我们提出了单调超模函数的目标函数,并提出一种基于高效最优设计的算法来找到逼近其最优解的解。最后,我们使用 Netflix 数据集对我们的算法进行经验证实,证明其性能超过了该问题的多个基准。
Jun, 2014
本研究提出一种模型,在用户冷启动情况下,通过提问找到一些初始化评分,并用这些信息建立有效的代表,以解决协同过滤问题。这种方法在四个不同数据集上得到验证,并改善了基准性能。
Dec, 2014
该研究通过对协同过滤模型的信息论解释,提出一种基于对比学习的冷启动推荐框架 (CLCCre),该框架结合了内容特征和协同表示,并通过保留内容表示中的协同信号来提高冷启动推荐的效果。在四个公开数据集的实验中,该方法在热启动和冷启动场景中均取得了显著的改进。
Jul, 2021
该论文介绍了 Deezer 音乐流媒体服务中针对用户冷启动问题的半个性化推荐系统,该系统应用深度神经网络架构和用户聚类技术,通过离线和在线实验证明了该系统有效性,并发布了代码和匿名使用数据,以帮助未来的用户冷启动推荐研究。
Jun, 2021
深度学习方法在冷启动问题中表现良好,与元学习技术相比,常用的深度学习模型和普遍采用的表示学习技术能够在常见的冷启动问题基准上提供类似或更好的性能,并且更易于实际应用。
Aug, 2023