「Matrix Factorization Techniques for Recommender Systems」- 论文摘要

摘要

正如Netflix竞赛所证明的那样，矩阵分解模型在生成产品推荐方面优于传统的近邻技术，允许合并其他信息，如隐式反馈、时间效应和置信水平。本文主要对推荐系统中现有的矩阵分解技术进行综述。

论文主要内容与工作

1、介绍基于内容的推荐系统原理，并举了音乐网站Pandora.com的例子。
2、介绍协同过滤算法，并将其分为neighborhood methods 和 latent factor models两类。着重介绍了矩阵分解的原理。
3、矩阵分解的一个优点是它允许合并额外的信息。当无法获得明确反馈时，推荐系统可以使用隐式反馈推断用户偏好，隐式反馈通过观察用户行为（包括购买历史记录、浏览历史记录、搜索模式甚至鼠标移动）间接反映意见。隐式反馈通常表示事件的存在或不存在，因此它通常由一个密集的矩阵表示。
4、Basic MF、biases MF、嵌入额外信息的MF、时序动态MF、考虑隐式反馈的MF
5、Netflix推荐大赛的情况

总结

矩阵分解技术已经成为协同过滤推荐的主要方法。Netflix等数据集的经验表明，它们提供的准确性优于经典的近邻技术。同时，它们提供了一个紧凑的内存效率模型，系统可以相对容易地学习。使这些技术更加方便的是，模型可以自然地集成数据的许多关键方面，如多种形式的反馈、时间动态和置信水平。

本作品采用《CC 协议》，转载必须注明作者和本文链接