Холодный старт (рекомендательные системы) - Cold start (recommender systems)

Чтобы узнать, как перезагрузить компьютер без выполнения каких-либо процедур выключения, см. жесткая перезагрузка.
Для использования в других целях см. Холодный запуск.
Рекомендательные системы
Концепции
Методы и проблемы
Реализации
Исследование

Холодный запуск потенциальная проблема в компьютерный информационные системы что включает в себя степень автоматизации моделирование данных. В частности, это касается того, что система не может рисовать выводы за пользователи или предметы, о которых еще не собрано достаточно информации.

Затронутые системы

Проблема холодного пуска - это хорошо известная и хорошо изученная проблема для рекомендательные системы. Рекомендательные системы образуют особый тип фильтрация информации (IF) метод, который пытается представить информационные элементы (электронная коммерция, фильмы, Музыка, книги, Новости, изображений, веб-страница ), которые могут заинтересовать пользователя. Обычно рекомендательная система сравнивает профиль пользователя с некоторыми эталонными характеристиками. Эти характеристики могут быть связаны с характеристиками товара (контентная фильтрация ) или социальное окружение пользователя и прошлое поведение (совместная фильтрация В зависимости от системы, пользователь может быть связан с различными типами взаимодействий: рейтинги, закладки, покупки, лайки, количество посещений страницы и т. Д.

Возможны три случая холодного старта:[1]

  1. Новое сообщество: относится к запуску рекомендателя, когда, хотя каталог элементов может существовать, почти нет пользователей, а отсутствие взаимодействия с пользователем очень затрудняет предоставление надежных рекомендаций
  2. Новый предмет: в систему добавлен новый элемент, он может содержать некоторую информацию, но никаких взаимодействий нет
  3. Новый пользователь: новый пользователь регистрируется и еще не взаимодействовал, поэтому дать персональные рекомендации невозможно

Новое сообщество

Новая проблема сообщества, или системная самозагрузка, относится к запуску системы, когда практически отсутствует информация, на которую может полагаться рекомендующий.[2]Этот случай представляет собой недостатки как нового пользователя, так и случая нового элемента, поскольку все элементы и пользователи являются новыми. Из-за этого некоторые из методов, разработанных для работы с этими двумя случаями, не применимы к начальной загрузке системы.

Новый предмет

Проблема холодного запуска элемента возникает, когда элементы, добавленные в каталог, либо не взаимодействуют друг с другом, либо имеют очень мало взаимодействий. Это представляет проблему в основном для совместная фильтрация алгоритмы из-за того, что они полагаются на взаимодействия элемента, чтобы дать рекомендации. Если взаимодействия недоступны, чистый алгоритм совместной работы не может рекомендовать элемент. В случае, если доступно только несколько взаимодействий, хотя совместный алгоритм сможет рекомендовать его, качество этих рекомендаций будет низким.[3]Возникает еще одна проблема, которая больше не связана с новинками, а связана с непопулярные предметыВ некоторых случаях (например, в рекомендациях фильмов) может случиться так, что несколько элементов получат чрезвычайно большое количество взаимодействий, в то время как большинство элементов получит лишь часть из них. Это называется предвзятость по популярности.[4]

Количество взаимодействий пользователя, связанных с каждым элементом в наборе данных Movielens. Некоторые элементы имеют очень большое количество взаимодействий, более 5000, в то время как большинство других имеет менее 100 взаимодействий.

В контексте предметов холодного старта важна смещение популярности, потому что может случиться так, что многие предметы, даже если они находятся в каталоге в течение нескольких месяцев, получили лишь несколько взаимодействий. Это создает отрицательный цикл, в котором непопулярные элементы будут плохо рекомендованы, поэтому они будут гораздо менее заметны, чем популярные, и будут бороться за взаимодействие.[5] Хотя ожидается, что некоторые элементы будут менее популярны, чем другие, эта проблема конкретно относится к тому факту, что у рекомендателя недостаточно информации для совместной работы, чтобы рекомендовать их значимым и надежным образом.[6]

Контентная фильтрация алгоритмы, с другой стороны, теоретически гораздо менее подвержены проблеме нового элемента. Поскольку рекомендатели, основанные на содержании, выбирают, какие элементы рекомендовать, в зависимости от характеристик, которыми они обладают, даже если для нового элемента не существует взаимодействия, его функции все равно позволят сделать рекомендацию.[7]Это, конечно, предполагает, что новый элемент уже будет описан своими атрибутами, что не всегда так. Рассмотрим случай так называемого редакционная функции (например, режиссер, состав, название, год), они всегда известны, когда элемент, в данном случае фильм, добавляется в каталог. Однако другие виды атрибутов могут не быть, например функции, извлеченные из отзывов пользователей и тегов.[8] Алгоритмы на основе контента, основанные на функциях, предоставляемых пользователем, также страдают от проблемы с холодным запуском элементов, поскольку для новых элементов, если нет (или очень мало) взаимодействий, также не будут доступны (или очень мало) пользовательских обзоров и тегов.

Новый пользователь

Новый случай пользователя относится к тому, когда новый пользователь регистрируется в системе, и в течение определенного периода времени рекомендующий должен предоставить рекомендацию, не полагаясь на прошлые взаимодействия пользователя, поскольку ничего еще не произошло.[9]Эта проблема приобретает особую важность, когда рекомендатель является частью услуги, предлагаемой пользователям, поскольку пользователь, который сталкивается с рекомендациями низкого качества, может вскоре решить прекратить использование системы, прежде чем он обеспечит достаточное взаимодействие, чтобы позволить рекомендателю понять его / ее Основная стратегия работы с новыми пользователями - попросить их предоставить некоторые предпочтения для создания первоначального профиля пользователя. Необходимо найти порог между продолжительностью процесса регистрации пользователя, который, если он будет слишком длинным, может привести к тому, что слишком много пользователей откажется от него, и объемом исходных данных, необходимых для правильной работы рекомендателя. [2]

Как и в случае с новинками, не все рекомендательные алгоритмы затрагиваются одинаково.Рекомендуемые товары будут затронуты, поскольку они полагаются на профиль пользователя, чтобы оценить, насколько актуальны предпочтения других пользователей. Совместная фильтрация алгоритмы подвержены наибольшему влиянию, так как без взаимодействия невозможно сделать вывод о предпочтениях пользователя.Рекомендация пользователя-пользователя алгоритмы [10] вести себя немного иначе. Алгоритм, основанный на пользовательском контенте, будет полагаться на особенности пользователя (например, возраст, пол, страна), чтобы найти похожих пользователей и рекомендовать элементы, с которыми они взаимодействовали, положительно, таким образом, будучи устойчивым к новому пользовательскому случаю. Обратите внимание, что вся эта информация собирается в процессе регистрации, либо путем запроса пользователя ввести данные самостоятельно, либо путем использования уже имеющихся данных, например в его аккаунтах в социальных сетях.[11]

Стратегии смягчения последствий

Из-за большого количества доступных рекомендательных алгоритмов, а также типа и характеристик системы было разработано множество стратегий для смягчения проблемы холодного запуска. Основной подход состоит в том, чтобы полагаться на гибридные рекомендатели, чтобы смягчить недостатки одной категории или модели, комбинируя ее с другой.[12][13][14]

Все три категории холодного запуска (новое сообщество, новый элемент и новый пользователь) имеют общее отсутствие взаимодействия с пользователем и некоторые общие черты в стратегиях, доступных для их решения.

Распространенная стратегия при работе с новинками - объединить совместная фильтрация рекомендуемый, для теплых вещей, с контентная фильтрация рекомендатель для холодных продуктов. Хотя эти два алгоритма можно комбинировать по-разному, главный недостаток этого метода связан с низким качеством рекомендаций, которое часто демонстрируют рекомендатели на основе содержимого в сценариях, где трудно предоставить исчерпывающее описание характеристик элемента. [15]В случае новых пользователей, если демографические характеристики отсутствуют или их качество слишком низкое, общая стратегия состоит в том, чтобы предложить им неперсонализированные рекомендации. Это означает, что им могут быть рекомендованы просто самые популярные товары в мире или для их конкретного географического региона или языка.

Завершение профиля

Один из доступных вариантов при работе с холодными пользователями или предметами - быстрое получение некоторых данных о предпочтениях. Это можно сделать разными способами в зависимости от объема необходимой информации. Эти методы называются выявление предпочтений стратегии.[16][17]Это может быть сделано либо явно (путем запроса пользователя), либо неявно (путем наблюдения за поведением пользователя). В обоих случаях проблема холодного старта будет означать, что пользователь должен приложить определенные усилия, используя систему в ее «немом» состоянии, что способствует построению своего профиля пользователя, прежде чем система сможет начать предоставлять какие-либо разумные рекомендации. [18]

Например MovieLens, веб- рекомендательная система для фильмов - просит пользователя оценить некоторые фильмы при регистрации. Хотя стратегия извлечения предпочтений - это простой и эффективный способ работы с новыми пользователями, дополнительные требования во время регистрации сделают процесс более трудоемким для пользователя. Более того, качество полученных предпочтений может быть не идеальным, поскольку пользователь может оценивать элементы, которые он / она видел несколько месяцев или лет назад, или предоставленные оценки могут быть почти случайными, если пользователь предоставил их, не обращая внимания только на быстрое завершение регистрации.

Создание профиля пользователя также может быть автоматизировано путем интеграции информации из других действий пользователя, таких как истории просмотра или платформы социальных сетей. Если, например, пользователь читал информацию о конкретном музыкальный исполнитель от медиа-портала, то соответствующая рекомендательная система будет автоматически предлагать релизы этого исполнителя, когда пользователь посещает музыкальный магазин.[19]

Разновидностью предыдущего подхода является автоматическое присвоение оценок новым элементам на основе оценок, присвоенных сообществом другим аналогичным элементам. Сходство предметов будет определяться в соответствии с характеристиками предметов, основанными на содержании.[18]

Также возможно создать начальный профиль пользователя на основе личность характеристики пользователя и использовать такой профиль для выработки персональной рекомендации.[20][21]Личность характеристики пользователя могут быть определены с использованием модели личности, такой как пятифакторная модель (FFM).

Еще один из возможных способов - применить активное обучение (машинное обучение). Основная цель активного обучения состоит в том, чтобы направлять пользователя в процессе определения предпочтений, чтобы попросить его оценить только те элементы, которые с точки зрения рекомендаций будут наиболее информативными. Это делается путем анализа доступных данных и оценки полезности точек данных (например, рейтинги, взаимодействия). [22]В качестве примера предположим, что мы хотим построить два кластера из определенного облака точек. Как только мы определили две точки, каждая из которых принадлежит другому кластеру, какая точка будет следующей наиболее информативной? Если мы возьмем точку, близкую к уже известной, мы можем ожидать, что она, скорее всего, будет принадлежать к тому же кластеру. Если мы выберем точку, которая находится между двумя кластерами, знание того, к какому кластеру она принадлежит, поможет нам найти границу, позволяя классифицировать многие другие точки с помощью всего нескольких наблюдений.

Проблема холодного запуска также проявляется интерфейс агенты. Поскольку такой агент обычно изучает предпочтения пользователя неявно, наблюдая закономерности в его поведении - «наблюдение через плечо», - потребуется время, прежде чем агент сможет выполнить какие-либо адаптации, персонализированные для пользователя. Даже в этом случае его помощь будет ограничена действиями, которые ранее были замечены пользователем.[23]Проблема холодного запуска может быть преодолена путем введения элемента сотрудничества между агентами, помогающими различным пользователям. Таким образом, новые ситуации могут быть обработаны путем запроса других агентов поделиться тем, что они уже узнали от своих соответствующих пользователей.[23]

Отображение функций

В последние годы были предложены более продвинутые стратегии, все они основаны на машинном обучении и пытаются объединить контент и информацию для совместной работы в единой модели. Один из примеров таких подходов называется атрибут для сопоставления объектов[24] который адаптирован к матричная факторизация алгоритмы.[25] Основная идея заключается в следующем. Модель матричной факторизации представляет взаимодействия пользователя с элементом как продукт двух прямоугольных матриц, содержание которых изучается с использованием известных взаимодействий посредством машинного обучения. Каждый пользователь будет связан со строкой первой матрицы, а каждый элемент - со столбцом второй матрицы. Строка или столбец, связанный с конкретным пользователем или элементом, называется скрытые факторы.[26] Когда добавляется новый элемент, с ним не связаны скрытые факторы, и отсутствие взаимодействий не позволяет изучить их, как это было сделано с другими предметами. Если каждый элемент связан с некоторыми характеристиками (например, автором, годом, издателем, участниками), можно определить функцию внедрения, которая с учетом характеристик элемента оценивает соответствующие скрытые факторы элемента. Функцию встраивания можно разработать разными способами, и она обучается с данными, уже доступными из теплых элементов. В качестве альтернативы можно применить метод, специфичный для группы.[27][28] Специфичный для группы метод дополнительно разбивает каждый латентный фактор на две аддитивные части: одна часть соответствует каждому элементу (и / или каждому пользователю), а другая часть совместно используется элементами в каждой группе элементов (например, группа фильмов может быть фильмы того же жанра). Затем, когда поступает новый элемент, мы можем присвоить ему метку группы и аппроксимировать его латентный фактор с помощью специфичной для группы части (соответствующей группы элементов). Таким образом, хотя отдельная часть нового элемента недоступна, групповая часть обеспечивает немедленное и эффективное решение. То же самое относится и к новому пользователю, так как если для него доступна некоторая информация (например, возраст, национальность, пол), то его / ее латентные факторы могут быть оценены с помощью функции внедрения или латентного фактора, специфичного для группы.

Взвешивание гибридных функций

Еще один недавний подход, который имеет сходство с сопоставлением функций, - это создание гибридного контентная фильтрация рекомендатель, в котором функции, элементы или пользователи, взвешиваются в соответствии с восприятием важности пользователем. Чтобы определить фильм, который может понравиться пользователю, разные атрибуты (например, актеры, режиссер, страна, название) будут иметь разное значение. В качестве примера рассмотрим Джеймс Бонд в сериале главный актер много раз менялся за годы, а некоторые нет, например Лоис Максвелл. Следовательно, ее присутствие, вероятно, будет лучшим идентификатором такого фильма, чем присутствие одного из различных главных действующих лиц. [15][29]Несмотря на то, что существуют различные методы применения взвешивания функций к функциям пользователя или элемента в рекомендательные системы, большинство из них из поиск информации домен как tf – idf, Окапи BM25, только некоторые из них были разработаны специально для рекомендателей.[30]

В частности, гибридные методы взвешивания характеристик адаптированы для области рекомендательной системы. Некоторые из них изучают вес функции, непосредственно используя взаимодействие пользователя с элементами, например FBSM. [29] Другие полагаются на промежуточную модель совместной работы, обученную на теплых элементах, и пытаются изучить веса функций контента, которые будут лучше соответствовать модели совместной работы.[15] [31][32]

Многие из гибридных методов можно рассматривать как частные случаи факторизационные машины. [33][34]

Дифференциация весов регуляризации

Вышеуказанные методы полагаются на аффилированную информацию от пользователей или элементов. Недавно появился другой подход, который смягчает проблему холодного старта, устанавливая более низкие ограничения для скрытых факторов, связанных с элементами или пользователями, которые раскрывают больше информации (например, популярные элементы и активные пользователи), и устанавливая более высокие ограничения для других (например, менее популярные элементы). и неактивные пользователи).[35] Показано, что от этой стратегии выигрывают различные модели рекомендаций. Дифференцирующие веса регуляризации можно интегрировать с другими стратегиями смягчения последствий холодного старта.

Смотрите также

Рекомендации

  1. ^ Бобадилла, Хесус; Ортега, Фернандо; Эрнандо, Антонио; Бернал, Хесус (февраль 2012 г.). «Подход к совместной фильтрации для смягчения проблемы холодного запуска нового пользователя». Системы, основанные на знаниях. 26: 225–238. Дои:10.1016 / j.knosys.2011.07.021.
  2. ^ а б Рашид, Аль-Мамунур; Карипис, Джордж; Ридл, Джон (20 декабря 2008 г.). «Изучение предпочтений новых пользователей в рекомендательных системах». Информационный бюллетень ACM SIGKDD Explorations. 10 (2): 90. Дои:10.1145/1540276.1540302.
  3. ^ Лика, Блерина; Коломвацос, Костас; Hadjiefthymiades, Stathes (март 2014 г.). «Решение проблемы холодного пуска в рекомендательных системах». Экспертные системы с приложениями. 41 (4): 2065–2073. Дои:10.1016 / j.eswa.2013.09.005.
  4. ^ Хоу, Лей; Пан, Сюэ; Лю, Кечэн (7 марта 2018 г.). «Уравновешивание предвзятости популярности подобия объектов для персонализированной рекомендации». Европейский физический журнал B. 91 (3): 47. Bibcode:2018EPJB ... 91 ... 47H. Дои:10.1140 / epjb / e2018-80374-8.
  5. ^ Абдоллахпури, Химан; Берк, Робин; Мобашер, Бамшад (27 августа 2017 г.). Труды одиннадцатой конференции ACM по рекомендательным системам - Rec Sys '17. ACM. С. 42–46. Дои:10.1145/3109859.3109912. ISBN  9781450346528.
  6. ^ Пак, Юн-Джу; Тужилин, Александр (23 октября 2008 г.). Материалы конференции ACM 2008 г. по рекомендательным системам - Рек. Sys '08. ACM. С. 11–18. CiteSeerX  10.1.1.421.1833. Дои:10.1145/1454008.1454012. ISBN  9781605580937.
  7. ^ Паццани, Майкл Дж .; Билсус, Дэниел (2007). Системы рекомендаций на основе содержания. Адаптивный Интернет. Конспект лекций по информатике. 4321. С. 325–341. CiteSeerX  10.1.1.130.8327. Дои:10.1007/978-3-540-72079-9_10. ISBN  978-3-540-72078-2.
  8. ^ Чен, Ли; Чен, Гуаньлян; Ван, Фэн (22 января 2015 г.). «Рекомендательные системы на основе отзывов пользователей: современное состояние». Пользовательское моделирование и взаимодействие с пользователем. 25 (2): 99–154. Дои:10.1007 / s11257-015-9155-5.
  9. ^ Бобадилла, Хесус; Ортега, Фернандо; Эрнандо, Антонио; Бернал, Хесус (февраль 2012 г.). «Подход к совместной фильтрации для смягчения проблемы холодного запуска нового пользователя». Системы, основанные на знаниях. 26: 225–238. Дои:10.1016 / j.knosys.2011.07.021.
  10. ^ Bobadilla, J .; Ортега, Ф .; Эрнандо, А .; Гутьеррес, А. (июль 2013 г.). «Обзор рекомендательных систем». Системы, основанные на знаниях. 46: 109–132. Дои:10.1016 / j.knosys.2013.03.012.
  11. ^ Чжан, Цзы-Кэ; Лю, Чжуан; Чжан И-Чэн; Чжоу, Тао (1 октября 2010 г.). «Решение проблемы холодного старта в рекомендательных системах с социальными тегами». EPL (Еврофизические письма). 92 (2): 28002. arXiv:1004.3732. Bibcode:2010EL ..... 9228002Z. Дои:10.1209/0295-5075/92/28002.
  12. ^ Хуанг, Зан; Чен, Синьчунь; Цзэн, Даниэль (1 января 2004 г.). «Применение методов ассоциативного поиска для решения проблемы разреженности при совместной фильтрации». ACM-транзакции в информационных системах. 22 (1): 116–142. CiteSeerX  10.1.1.3.1590. Дои:10.1145/963770.963775.
  13. ^ Salter, J .; Антонопулос, Н. (январь 2006 г.). «Агент CinemaScreen Recommender: сочетание совместной и контентной фильтрации» (PDF). Интеллектуальные системы IEEE. 21 (1): 35–41. Дои:10.1109 / MIS.2006.4.
  14. ^ Берк, Робин (2007). Гибридные веб-рекомендательные системы. Адаптивный Интернет. Конспект лекций по информатике. 4321. С. 377–408. CiteSeerX  10.1.1.395.8975. Дои:10.1007/978-3-540-72079-9_12. ISBN  978-3-540-72078-2.
  15. ^ а б c Целла, Леонардо; Середа, Стефано; Квадрана, Массимо; Кремонези, Паоло (2017). Получение релевантности функций элемента из прошлых взаимодействий с пользователем. UMAP '17 Материалы 25-й конференции по пользовательскому моделированию, адаптации и персонализации. С. 275–279. Дои:10.1145/3079628.3079695. HDL:11311/1061220. ISBN  9781450346351.
  16. ^ Элахи, Мехди; Риччи, Франческо; Рубенс, Нил (2014). Электронная коммерция и веб-технологии. Конспект лекций по обработке деловой информации. 188. Издательство Springer International. С. 113–124. Дои:10.1007/978-3-319-10491-1_12. ISBN  978-3-319-10491-1.
  17. ^ Элахи, Мехди; Риччи, Франческо; Рубенс, Нил (2016). «Обзор активного обучения в рекомендательных системах для совместной фильтрации». Обзор компьютерных наук. 20: 29–50. Дои:10.1016 / j.cosrev.2016.05.002 - через Elsevier.
  18. ^ а б Эндрю И. Шейн; Александрин Попескул; Лайл Х. Унгар; Дэвид М. Пеннок (2002). Методы и показатели для рекомендаций по холодному запуску. Материалы 25-го ежегодного международного ACM СИГИР Конференция по исследованиям и разработкам в области информационного поиска (SIGIR 2002). Нью-Йорк, Нью-Йорк: ACM. стр.253–260. ISBN  1-58113-561-0. Получено 2008-02-02.
  19. ^ «Поставщик пытается решить проблему« холодного старта »в рекомендациях по содержанию» (PDF). Мобильные медиа: 18. 29 июня 2007 г. Архивировано из оригинал (PDF) на 2008-11-21. Получено 2008-02-02.
  20. ^ Ткалчич, Марко; Чен, Ли (2016). «Личность и рекомендательные системы». В Риччи, Франческо; Рокач, Лиор; Шапира, Браха (ред.). Справочник рекомендательных систем (2-е изд.). Springer США. Дои:10.1007/978-1-4899-7637-6_21. ISBN  978-1-4899-7637-6.
  21. ^ Фернандес-Тобиас, Игнасио; Браунгофер, Маттиас; Элахи, Мехди; Риччи, Франческо; Кантадор, Иван (2016). «Облегчение проблемы нового пользователя при совместной фильтрации за счет использования информации о личности». Пользовательское моделирование и взаимодействие с пользователем. 26 (2–3): 221–255. Дои:10.1007 / s11257-016-9172-z. HDL:10486/674370.
  22. ^ Рубенс, Нил; Элахи, Мехди; Сугияма, Масаси; Каплан, Дайн (2016). «Активное обучение в рекомендательных системах». В Риччи, Франческо; Рокач, Лиор; Шапира, Браха (ред.). Справочник рекомендательных систем (2-е изд.). Springer США. Дои:10.1007/978-1-4899-7637-6_24. ISBN  978-1-4899-7637-6.
  23. ^ а б Езди Лашкари; Макс Метраль; Патти Мэйс (1994). Агенты коллективного интерфейса. Материалы Двенадцатой Национальной конференции по искусственному интеллекту. Сиэтл, Вашингтон: AAAI Press. С. 444–449. ISBN  0-262-61102-3. Получено 2008-02-02.
  24. ^ Гантнер, Зенон; Драмонд, Лукас; Фройденталер, Кристоф (20 января 2011 г.). 2010 Международная конференция IEEE по интеллектуальному анализу данных. С. 176–185. CiteSeerX  10.1.1.187.5933. Дои:10.1109 / ICDM.2010.129. ISBN  978-1-4244-9131-5.
  25. ^ Корен, Иегуда; Белл, Роберт; Волинский, Крис (август 2009 г.). "Методы матричной факторизации рекомендательных систем". Компьютер. 42 (8): 30–37. CiteSeerX  10.1.1.147.8295. Дои:10.1109 / MC.2009.263.
  26. ^ Агарвал, Дипак; Чен, Би-Чунг (28 июня 2009 г.). Материалы 15-й международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных - KDD '09. ACM. С. 19–28. Дои:10.1145/1557019.1557029. ISBN  9781605584959.
  27. ^ Би, Сюань; Ку, Энни; Ван, Цзюньхуэй; Шен, Сяотун (2017). "Групповая рекомендательная система". Журнал Американской статистической ассоциации. 112 (519): 1344–1353.
  28. ^ Би, Сюань; Ку, Энни; Шен, Сяотун (2018). «Многослойная тензорная факторизация с приложениями к рекомендательным системам». Анналы статистики. 46 (6B): 3303–3333.
  29. ^ а б Шарма, Мохит; Чжоу, Цзяюй; Ху, Цзюньлинь; Карипис, Джордж (2015). Факторизованная билинейная модель подобия, основанная на признаках, для рекомендаций холодного запуска Top-n Item. Материалы Международной конференции SIAM по интеллектуальному анализу данных 2015 г.. С. 190–198. Дои:10.1137/1.9781611974010.22. ISBN  978-1-61197-401-0.
  30. ^ Симеонидис, Панайотис; Нанопулос, Александрос; Манолопулос, Яннис (25 июля 2007 г.). Функционально-взвешенная модель пользователя для рекомендательных систем. Моделирование пользователей 2007. Конспект лекций по информатике. 4511. С. 97–106. Дои:10.1007/978-3-540-73078-1_13. ISBN  978-3-540-73077-4.
  31. ^ Феррари Дакрема, Маурицио; Гаспарин, Альберто; Кремонези, Паоло (2018). «Получение релевантности характеристик элемента из общих знаний в предметной области» (PDF). Труды семинара по информационным и диалоговым рекомендательным системам (KaRS) 2018 (совместно с RecSys 2018). arXiv:1811.01905. Bibcode:2018arXiv181101905F.
  32. ^ Бернардис, Чезаре; Феррари Дакрема, Маурицио; Кремонези, Паоло (2018). «Новая графическая модель для гибридных рекомендаций в сценариях холодного запуска». Труды по следу последних результатов, часть двенадцатой конференции ACM по рекомендательным системам. arXiv:1808.10664. Bibcode:2018arXiv180810664B.
  33. ^ Рендл, Штеффен (1 мая 2012 г.). «Машины факторизации с libFM». Транзакции ACM по интеллектуальным системам и технологиям. 3 (3): 1–22. Дои:10.1145/2168752.2168771.
  34. ^ Рендл, Штеффен (2010). «Машины факторизации». 2010 Международная конференция IEEE по интеллектуальному анализу данных. IEEE. С. 995–1000. CiteSeerX  10.1.1.393.8529. Дои:10.1109 / ICDM.2010.127. ISBN  9781424491315.
  35. ^ ЧенХунг-Сюань; ChenPu (09.01.2019). «Дифференциация весов регуляризации - простой механизм для облегчения холодного старта в рекомендательных системах». Транзакции ACM при обнаружении знаний из данных (TKDD). 13: 1–22. Дои:10.1145/3285954.

внешняя ссылка