Scalable recommender system that improves generalization

Abstract

Tavsiye sistemlerinin temel zorluklarından bir tanesi, kullanıcı ya da ürün hakkında yeterli davranış bilgisi bulunmayan soğuk-başlangıç verisine genellemedir. İçerik tabanlı süzgeçleme bu problemi çözebilse de, işbirlikçi süzgeçleme yöntemleri, yeterli davranış verisi olduğunda, daha hatasız tavsiyelerde bulunur. Bir tavsiye sorgusunun farklı etki alanlarından birine ait olabileceği göz önünde bulundurularak, küme öğrenme tabanlı bir melez tavsiye sistemi anlatılmıştır. Bu birleşik yöntem, her biri farklı etki alanlarını (yüksek kalite geribildirim verisi mevcut, kullanıcı soğuk-başlangıç durumunda, ürün soğuk-başlangıç durumunda) temsil eden doğrulama veri kümeleri üzerinde doğrusal kombinasyonlar öğrenir. Bu problem, uygun şekilde doğrulama ve test verisi oluşturularak; daha sonra üç çeşit tümleyici tavsiye sistemi (matris çarpanlarına ayırma tabanlı işbirlikçi süzgeçleme, ürün içeriği tabanlı süzgeçleme, kullanıcı demografisi tabanlı süzgeçleme) kullanılarak gösterilmiştir. Farklı doğrulama veri kümeleri kullanılarak yapılan deneyler; melez yöntemin, o etki alanında en iyi doğruluğa ulaşan tek tavsiye sistemine yakınsayacak şekilde ağırlıklandırma öğrendiğini göstermektedir.