✖


Jump to content

Холодный старт (рекомендательные системы)

Информацию о процессе перезагрузки компьютера без выполнения каких-либо процедур выключения см. в разделе « Принудительная перезагрузка» .
Чтобы узнать о других целях, см. Холодный запуск .
Рекомендательные системы
Концепции
Методы и проблемы
Реализации
Исследовать

Холодный запуск — потенциальная проблема в компьютерных информационных системах , которая предполагает определенную степень автоматизированного моделирования данных . В частности, речь идет о том, что система не может делать какие-либо выводы для пользователей или элементов, о которых она еще не собрала достаточно информации.

Затронутые системы [ править ]

Проблема холодного запуска — хорошо известная и хорошо изученная проблема рекомендательных систем . Рекомендательные системы образуют особый тип метода фильтрации информации (IF), который пытается представить элементы информации ( электронная коммерция , фильмы , музыка , книги , новости , изображения , веб-страницы ), которые могут представлять интерес для пользователя. Обычно рекомендательная система сравнивает профиль пользователя с некоторыми эталонными характеристиками. Эти характеристики могут быть связаны с характеристиками элемента ( фильтрация на основе контента ) или социальной средой пользователя и прошлым поведением ( совместная фильтрация ).В зависимости от системы пользователь может быть связан с различными видами взаимодействия: рейтингами, закладками, покупками, лайками, количеством посещений страниц и т. д.

Существует три случая холодного запуска: [1]

  1. Новое сообщество : относится к запуску рекомендателя, когда, хотя каталог элементов может существовать, пользователей почти нет, а отсутствие взаимодействия с пользователем очень затрудняет предоставление надежных рекомендаций.
  2. Новый элемент : в систему добавляется новый элемент, он может содержать некоторую информацию о содержимом, но взаимодействия с ним нет.
  3. Новый пользователь : новый пользователь регистрируется и еще не осуществлял никакого взаимодействия, поэтому невозможно предоставить персональные рекомендации.

Новое сообщество [ править ]

Новая проблема сообщества, или системная начальная загрузка, относится к запуску системы, когда практически отсутствует информация, на которую рекомендатель может положиться. [2] В этом случае присутствуют недостатки как случая «Новый пользователь», так и случая «Новый элемент», поскольку все элементы и пользователи являются новыми.По этой причине некоторые методы, разработанные для решения этих двух случаев, неприменимы к начальной загрузке системы.

Новый предмет [ править ]

Проблема холодного запуска элемента возникает, когда элементы, добавленные в каталог, либо вообще не взаимодействуют, либо имеют очень мало взаимодействий. Это представляет проблему главным образом для алгоритмов совместной фильтрации , поскольку они полагаются на взаимодействие элементов для выдачи рекомендаций. Если взаимодействия недоступны, то чистый алгоритм совместной работы не сможет рекомендовать этот элемент. Если доступно только несколько взаимодействий, хотя совместный алгоритм сможет рекомендовать их, качество этих рекомендаций будет плохим. [3] Здесь возникает еще одна проблема, которая связана уже не с новинками, а скорее с непопулярными предметами .В некоторых случаях (например, в рекомендациях фильмов) может случиться так, что несколько элементов получают чрезвычайно большое количество взаимодействий, в то время как большинство элементов получают лишь часть из них. Это называется предвзятостью популярности . [4]

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

В контексте товаров с холодным запуском смещение популярности важно, поскольку может случиться так, что многие товары, даже если они находились в каталоге в течение нескольких месяцев, получили лишь несколько взаимодействий. Это создает негативную петлю, в которой непопулярные элементы будут плохо рекомендованы, поэтому получат гораздо меньшую видимость, чем популярные, и им будет трудно получить взаимодействие. [5] Хотя ожидается, что некоторые элементы будут менее популярны, чем другие, эта проблема конкретно связана с тем фактом, что у рекомендателя недостаточно совместной информации, чтобы рекомендовать их осмысленным и надежным способом. [6]

С другой стороны, алгоритмы фильтрации на основе контента теоретически гораздо менее подвержены проблеме новых элементов. Поскольку рекомендатели на основе контента выбирают, какие элементы рекомендовать, основываясь на функциях, которыми они обладают, даже если взаимодействия с новым элементом не существует, его функции все равно позволят дать рекомендацию. [7] Это, конечно, предполагает, что новый элемент уже будет описан по своим атрибутам, что не всегда так. Рассмотрим случай так называемых редакционных характеристик (например, режиссер, актерский состав, название, год), которые всегда известны, когда элемент, в данном случае фильм, добавляется в каталог. Однако другие виды атрибутов могут не являться, например, функциями, извлеченными из отзывов пользователей и тегов. [8] Алгоритмы на основе контента, основанные на функциях, предоставляемых пользователем, также страдают от проблемы холодного запуска элементов, поскольку для новых элементов, если нет (или очень мало) взаимодействий, также не будет (или очень мало) пользовательских обзоров и тегов.

Новый пользователь [ править ]

Случай нового пользователя относится к тому моменту, когда новый пользователь регистрируется в системе, и в течение определенного периода времени рекомендатель должен предоставлять рекомендации, не полагаясь на прошлые взаимодействия пользователя, поскольку ни одного из них еще не произошло. [1] Эта проблема имеет особое значение, когда рекомендатель является частью услуги, предлагаемой пользователям, поскольку пользователь, столкнувшийся с рекомендациями низкого качества, может вскоре решить прекратить использование системы, прежде чем обеспечить достаточное взаимодействие, чтобы рекомендатель мог понять его/ее. интересы.Основная стратегия работы с новыми пользователями — попросить их предоставить некоторые предпочтения для создания первоначального профиля пользователя. Необходимо найти порог между длительностью процесса регистрации пользователя, который, если он слишком длинный, может привести к тому, что слишком много пользователей откажутся от него, и объемом исходных данных, необходимых для правильной работы рекомендателя. [2]

Как и в случае с новыми элементами, не все рекомендательные алгоритмы затрагиваются одинаково. Это повлияет на рекомендации предметов, поскольку они полагаются на профиль пользователя, чтобы оценить, насколько актуальны предпочтения других пользователей. Алгоритмы совместной фильтрации страдают больше всего, поскольку без взаимодействия невозможно сделать выводы о предпочтениях пользователя. рекомендаций пользователей-пользователей Алгоритмы [9] ведут себя немного иначе. Алгоритм, основанный на пользовательском контенте, будет опираться на характеристики пользователя (например, возраст, пол, страну), чтобы находить похожих пользователей и рекомендовать элементы, с которыми они взаимодействовали, в положительном ключе, 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 учетных записях в социальных сетях. [10]

Стратегии смягчения последствий [ править ]

Из-за большого количества доступных рекомендательных алгоритмов, а также типа и характеристик системы было разработано множество стратегий по смягчению проблемы холодного запуска. Основной подход заключается в использовании гибридных рекомендателей, чтобы смягчить недостатки одной категории или модели путем объединения ее с другой. [11] [12] [13]

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

Распространенной стратегией при работе с новыми элементами является объединение рекомендации по совместной фильтрации для «теплых» элементов с рекомендацией по фильтрации на основе контента для «холодных» элементов. Хотя эти два алгоритма можно комбинировать по-разному, основной недостаток этого метода связан с низким качеством рекомендаций, которое часто демонстрируется рекомендателями на основе контента в сценариях, где сложно предоставить исчерпывающее описание характеристик элемента. [14] В случае новых пользователей, если демографические характеристики отсутствуют или их качество слишком низкое, общей стратегией является предоставление им неперсонализированных рекомендаций. Это означает, что им могут быть рекомендованы просто самые популярные товары либо во всем мире, либо для их конкретного географического региона или языка.

Заполнение профиля [ править ]

Одним из доступных вариантов работы с холодными пользователями или предметами является быстрое получение некоторых данных о предпочтениях. Это можно сделать разными способами в зависимости от объема необходимой информации. Эти методы называются стратегиями выявления предпочтений . [15] [16] Это можно сделать либо явно (путем запроса пользователя), либо неявно (путем наблюдения за поведением пользователя). В обоих случаях проблема холодного запуска будет означать, что пользователю придется приложить определенные усилия, используя систему в ее «тупом» состоянии – способствуя созданию своего профиля пользователя – прежде чем система сможет начать предоставлять какие-либо интеллектуальные рекомендации. [17]

Например, MovieLens , веб- система рекомендаций фильмов, при регистрации просит пользователя оценить некоторые фильмы. Хотя стратегия выявления предпочтений является простым и эффективным способом работы с новыми пользователями, дополнительные требования во время регистрации сделают этот процесс более трудоемким для пользователя. Более того, качество полученных предпочтений может быть не идеальным, поскольку пользователь может оценивать элементы, которые он видел месяцы или годы назад, или предоставленные оценки могут быть почти случайными, если пользователь предоставляет их, не обращая внимания, просто чтобы быстро завершить регистрацию.

Создание профиля пользователя также может быть автоматизировано путем интеграции информации о других действиях пользователя, таких как история просмотров или платформы социальных сетей. Если, например, пользователь читал информацию о конкретном музыкальном исполнителе с медиа-портала, то соответствующая рекомендательная система будет автоматически предлагать релизы этого исполнителя, когда пользователь посещает музыкальный магазин. [18]

Разновидностью предыдущего подхода является автоматическое присвоение рейтингов новым элементам на основе рейтингов, присвоенных сообществом другим аналогичным элементам. Сходство элементов будет определяться в соответствии с их содержательными характеристиками. [17]

Также возможно создать исходный профиль пользователя на основе личностных характеристик пользователя и использовать такой профиль для создания персонализированных рекомендаций. [19] [20] Личностные характеристики пользователя можно определить с помощью модели личности, такой как пятифакторная модель (FFM).

Еще одним из возможных методов является применение активного обучения (машинного обучения) . Основная цель активного обучения — направить пользователя в процесс выявления предпочтений, чтобы попросить его оценить только те элементы, которые с точки зрения рекомендателя будут наиболее информативными. Это делается путем анализа имеющихся данных и оценки полезности точек данных (например, рейтингов, взаимодействий). [21] В качестве примера предположим, что мы хотим построить два кластера из некоторого облака точек. Как только мы определили две точки, каждая из которых принадлежит отдельному кластеру, какая точка станет следующей по информативности? Если мы возьмем точку, близкую к уже известной, мы можем ожидать, что она, скорее всего, будет принадлежать тому же кластеру. Если мы выберем точку, которая находится между двумя кластерами, знание того, к какому кластеру она принадлежит, поможет нам найти границу, что позволит классифицировать множество других точек с помощью всего лишь нескольких наблюдений.

Проблема холодного запуска также возникает у интерфейсных агентов . Поскольку такой агент обычно изучает предпочтения пользователя неявно, наблюдая за закономерностями в поведении пользователя – «наблюдая 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 наблюдались за участием пользователя. [22] Проблему холодного запуска можно решить, внедрив элемент сотрудничества между агентами, помогающими различным пользователям. Таким образом, новые ситуации можно разрешить, попросив других агентов поделиться тем, что они уже узнали от своих пользователей. [22]

Сопоставление объектов [ править ]

В последние годы были предложены более продвинутые стратегии, все они основаны на машинном обучении и пытаются объединить контент и совместную информацию в единой модели.Одним из примеров этого подхода является сопоставление атрибутов с объектами. [23] который адаптирован к алгоритмам матричной факторизации . [24] Основная идея заключается в следующем. Модель матричной факторизации представляет взаимодействие пользователя с элементом как произведение двух прямоугольных матриц, содержимое 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, связанные с конкретным пользователем или элементом, называются скрытыми факторами . [25] При добавлении нового предмета он не имеет связанных с ним скрытых факторов и отсутствие взаимодействий не позволяет изучить их, как это было сделано с другими предметами. Если каждый элемент связан с некоторыми функциями (например, автором, годом, издателем, действующими лицами), можно определить функцию внедрения, которая с учетом характеристик элемента оценивает соответствующие скрытые факторы элемента. Функцию внедрения можно спроектировать разными способами, и она обучается на уже имеющихся данных из теплых элементов. В качестве альтернативы можно применить метод, специфичный для группы. [26] [27] Групповой метод дополнительно разлагает каждый скрытый фактор на две аддитивные части: одна часть соответствует каждому элементу (и/или каждому пользователю), а другая часть распределяется между элементами в каждой группе элементов (например, группа фильмов может быть фильмы того же жанра). Затем, как только появится новый элемент, мы можем присвоить ему групповую метку и аппроксимировать его скрытый коэффициент с помощью части, специфичной для группы (соответствующей группы элементов). Таким образом, хотя отдельная часть нового элемента недоступна, часть, специфичная для группы, обеспечивает немедленное и эффективное решение. То же самое относится и к новому пользователю: если о нем доступна некоторая информация (например, возраст, национальность, пол), то его/ее скрытые факторы можно оценить с помощью функции внедрения или скрытого фактора, специфичного для группы.

Взвешивание гибридных функций [ править ]

Другой недавний подход, который имеет сходство с сопоставлением функций, заключается в создании гибридной рекомендации по фильтрации на основе контента , в которой функции либо элементов, либо пользователей взвешиваются в соответствии с восприятием пользователем важности. Чтобы определить фильм, который может понравиться пользователю, различные атрибуты (например, актеры, режиссер, страна, название) будут иметь разное значение. В качестве примера рассмотрим серию фильмов о Джеймсе Бонде , где главный актер менялся много раз за эти годы, а некоторые нет, как, например, Лоис Максвелл . Поэтому ее присутствие, вероятно, будет лучшим идентификатором такого фильма, чем присутствие одного из главных актеров. [14] [28] Хотя существуют различные методы применения взвешивания функций к функциям пользователя или элемента в рекомендательных системах , большинство из них взяты из области поиска информации , например tf–idf , Okapi BM25 , лишь некоторые из них были разработаны специально для рекомендателей. [29]

Методы взвешивания гибридных функций, в частности, адаптированы для области рекомендательной системы. Некоторые из них изучают вес функций, напрямую используя взаимодействие пользователя с элементами, например FBSM. [28] Другие полагаются на промежуточную модель совместной работы, обученную на «теплых» элементах, и пытаются изучить веса функций контента, которые лучше соответствуют модели совместной работы. [14]

Многие из гибридных методов можно считать частными случаями факторизационных машин . [30] [31]

весов регуляризации Дифференциация ​

Вышеупомянутые методы основаны на связанной информации от пользователей или элементов. Недавно был предложен другой подход, который смягчает проблему «холодного старта», назначая 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 остальных (т. е. менее популярных элементов). и неактивные пользователи). [32] Показано, что эта стратегия приносит пользу различным моделям рекомендаций. Дифференциация весов регуляризации может быть интегрирована с другими стратегиями смягчения последствий холодного запуска.

См. также [ править ]

Ссылки [ править ]

  1. ↑ Перейти обратно: Перейти обратно: а б Бобадилья, Иисус; Ортега, Фернандо; Эрнандо, Энтони; Бернал, Иисус (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. ↑ Перейти обратно: Перейти обратно: а б Рашид, Аль Мамунур; Карипис, Георгий; Ридл, Джон (20 декабря 2008 г.). «Изучение предпочтений новых пользователей в рекомендательных системах». Информационный бюллетень об исследованиях ACM SIGKDD . 10 (2): 90. дои : 10.1145/1540276.1540302 . S2CID   1651200 .
  3. ^ Лика, Блерина; Коломвацос, Костас; Хаджифтимиадес, Статес (март 2014 г.). «Проблема холодного запуска в рекомендательных системах». Экспертные системы с приложениями . 41 (4): 2065–2073. дои : 10.1016/j.eswa.2013.09.005 . S2CID   3491063 .
  4. ^ Хоу, Лей; Пан, Сюэ; Лю, Кечэн (7 марта 2018 г.). «Баланс между популярностью и сходством объектов для персонализированных рекомендаций» . Европейский физический журнал Б. 91 (3): 47. Бибкод : 2018EPJB...91...47H . дои : 10.1140/epjb/e2018-80374-8 .
  5. ^ Абдоллахпури, Химан; Берк, Робин; Мобашер, Бамшад (27 августа 2017 г.). Материалы одиннадцатой конференции ACM по рекомендательным системам — Rec Sys '17 . АКМ. стр. 42–46. дои : 10.1145/3109859.3109912 . ISBN  9781450346528 . S2CID   10104149 .
  6. ^ Пак Юн Джу; Тужилин, Александр (23 октября 2008 г.). Материалы конференции ACM по рекомендательным системам 2008 г. — Rec Sys '08 . АКМ. стр. 11–18. CiteSeerX   10.1.1.421.1833 . дои : 10.1145/1454008.1454012 . ISBN  9781605580937 . S2CID   6833818 .
  7. ^ Паццани, Майкл Дж.; Биллсус, Дэниел (2007). «Системы рекомендаций на основе контента». Адаптивная сеть . Конспекты лекций по информатике. Том. 4321. стр. 325–341. CiteSeerX   10.1.1.130.8327 . дои : 10.1007/978-3-540-72079-9_10 . ISBN  978-3-540-72078-2 . S2CID   7364032 .
  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 . S2CID   7847519 .
  9. ^ Бобадилья, Дж.; Ортега, Ф.; Эрнандо, А.; Гутьеррес, А. (июль 2013 г.). «Обследование рекомендательных систем». Системы, основанные на знаниях . 46 : 109–132. дои : 10.1016/j.knosys.2013.03.012 . S2CID   206710454 .
  10. ^ Чжан, Цзы-Ке; Лю, Чуан; Чжан, И-Чэн; Чжоу, Тао (1 октября 2010 г.). «Решение проблемы холодного запуска в рекомендательных системах с социальными тегами». EPL (Письма по еврофизике) . 92 (2): 28002. arXiv : 1004.3732 . Бибкод : 2010EL.....9228002Z . дои : 10.1209/0295-5075/92/28002 .
  11. ^ Хуан, Цзань; Чен, Синьчунь; Цзэн, Дэниел (1 января 2004 г.). «Применение методов ассоциативного поиска для решения проблемы разреженности при совместной фильтрации». Транзакции ACM в информационных системах . 22 (1): 116–142. CiteSeerX   10.1.1.3.1590 . дои : 10.1145/963770.963775 . S2CID   13561350 .
  12. ^ Солтер, Дж.; Антонопулос, Н. (январь 2006 г.). «Рекомендующий агент CinemaScreen: сочетание совместной фильтрации и фильтрации на основе контента» (PDF) . Интеллектуальные системы IEEE . 21 (1): 35–41. дои : 10.1109/MIS.2006.4 . S2CID   15715899 .
  13. ^ Берк, Робин (2007). «Гибридные веб-рекомендательные системы». Адаптивная сеть . Конспекты лекций по информатике. Том. 4321. стр. 377–408. CiteSeerX   10.1.1.395.8975 . дои : 10.1007/978-3-540-72079-9_12 . ISBN  978-3-540-72078-2 . S2CID   183823 .
  14. ↑ Перейти обратно: Перейти обратно: а б с Селла, Леонардо; Середа, Стефано; Квадрана, Массимо; Кремонези, Паоло (2017). «Определение релевантности функций элемента на основе прошлых взаимодействий пользователей». Материалы 25-й конференции по моделированию пользователей, адаптации и персонализации . стр. 275–279. дои : 10.1145/3079628.3079695 . hdl : 11311/1061220 . ISBN  9781450346351 . S2CID   11459891 .
  15. ^ Элахи, Мехди; Риччи, Франческо; Рубенс, Нил (2014). Электронная коммерция и веб-технологии . Конспекты лекций по обработке деловой информации. Том. 188. Международное издательство Спрингер. стр. 113–124. дои : 10.1007/978-3-319-10491-1_12 . ISBN  978-3-319-10491-1 .
  16. ^ Элахи, Мехди; Риччи, Франческо; Рубенс, Нил (2016). «Обзор активного обучения в рекомендательных системах совместной фильтрации» . Обзор компьютерных наук . 20 :29–50. doi : 10.1016/j.cosrev.2016.05.002 – через Elsevier.
  17. ↑ Перейти обратно: Перейти обратно: а б Эндрю И. Шейн; Александрин Попескуль; Лайл Х. Ангар; Дэвид М. Пеннок (2002). Методы и метрики для рекомендаций по холодному запуску . Материалы 25-й ежегодной международной конференции ACM SIGIR по исследованиям и разработкам в области информационного поиска (SIGIR 2002). Нью-Йорк, Нью-Йорк : ACM . стр. 253–260 . ISBN  1-58113-561-0 . Проверено 2 февраля 2008 г.
  18. ^ «Поставщик пытается решить проблему «холодного запуска» в рекомендациях по контенту» (PDF) . Мобильные СМИ : 18. 29.06.2007. Архивировано из оригинала (PDF) 21 ноября 2008 г. Проверено 2 февраля 2008 г.
  19. ^ Ткалчич, Марко; Чен, Ли (2016). «Личность и рекомендательные системы» . В Риччи, Франческо; Рокач, Лиор; Шапира, Брача (ред.). Справочник по рекомендательным системам (2-е изд.). Спрингер США. дои : 10.1007/978-1-4899-7637-6_21 . ISBN  978-1-4899-7637-6 .
  20. ^ Фернандес-Тобиас, Игнасио; Браунхофер, Матиас; Элахи, Мехди; Риччи, Франческо; Кантадор, Иван (2016). «Облегчение проблемы новых пользователей при совместной фильтрации за счет использования личной информации». Пользовательское моделирование и взаимодействие с пользователем . 26 (2–3): 221–255. дои : 10.1007/s11257-016-9172-z . HDL : 10486/674370 . S2CID   8687279 .
  21. ^ Рубенс, Нил; Элахи, Мехди; Сугияма, Масаси; Каплан, Дейн (2016). «Активное обучение в рекомендательных системах» . В Риччи, Франческо; Рокач, Лиор; Шапира, Брача (ред.). Справочник по рекомендательным системам (2-е изд.). Спрингер США. дои : 10.1007/978-1-4899-7637-6_24 . ISBN  978-1-4899-7637-6 .
  22. ↑ Перейти обратно: Перейти обратно: а б Йезди Лашкари; Макс Метрал; Патти Мэйс (1994). Агенты совместного интерфейса . Материалы двенадцатой национальной конференции по искусственному интеллекту. Сиэтл , Вашингтон : AAAI Press . стр. 444–449. ISBN  0-262-61102-3 . Проверено 2 февраля 2008 г.
  23. ^ Гантнер, Зенон; Друмонд, Лукас; Фройденталер, Кристоф (20 января 2011 г.). Международная конференция IEEE 2010 по интеллектуальному анализу данных . стр. 176–185. CiteSeerX   10.1.1.187.5933 . дои : 10.1109/ICDM.2010.129 . ISBN  978-1-4244-9131-5 . S2CID   8955774 .
  24. ^ Корен, Иегуда; Белл, Роберт; Волинский, Крис (август 2009 г.). «Методы матричной факторизации для рекомендательных систем». Компьютер . 42 (8): 30–37. CiteSeerX   10.1.1.147.8295 . дои : 10.1109/MC.2009.263 . S2CID   58370896 .
  25. ^ Агарвал, Дипак; Чен, Би-Чунг (28 июня 2009 г.). Материалы 15-й международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных - KDD '09 . АКМ. стр. 19–28. дои : 10.1145/1557019.1557029 . ISBN  9781605584959 . S2CID   17484284 .
  26. ^ Би, Сюань; Цюй, Энни; Ван, Цзюньхуэй; Шен, Сяотун (2017). «Групповая рекомендательная система» . Журнал Американской статистической ассоциации . 112 (519): 1344–1353. дои : 10.1080/01621459.2016.1219261 . S2CID   125187672 .
  27. ^ Би, Сюань; Цюй, Энни; Шен, Сяотун (2018). «Многослойная тензорная факторизация с применением к рекомендательным системам» . Анналы статистики . 46 (6Б): 3303–3333. arXiv : 1711.01598 . дои : 10.1214/17-AOS1659 . S2CID   13677707 .
  28. ↑ Перейти обратно: Перейти обратно: а б Шарма, Мохит; Чжоу, Цзяюй; Ху, Цзюньлин; Карипис, Георгий (2015). «Факторизованная модель билинейного подобия на основе функций для рекомендаций по топ- n позициям холодного запуска». Материалы Международной конференции SIAM 2015 по интеллектуальному анализу данных . стр. 190–198. дои : 10.1137/1.9781611974010.22 . ISBN  978-1-61197-401-0 . S2CID   15887870 .
  29. ^ Симеонидис, Панайотис; Нанопулос, Александрос; Манолопулос, Яннис (25 июля 2007 г.). «Функционально-взвешенная пользовательская модель для рекомендательных систем». Пользовательское моделирование 2007 . Конспекты лекций по информатике. Том. 4511. стр. 97–106. дои : 10.1007/978-3-540-73078-1_13 . ISBN  978-3-540-73077-4 .
  30. ^ Рендл, Штеффен (1 мая 2012 г.). «Машины факторизации с libFM». Транзакции ACM в интеллектуальных системах и технологиях . 3 (3): 1–22. дои : 10.1145/2168752.2168771 . S2CID   5499886 .
  31. ^ Рендл, Штеффен (2010). «Машины факторизации». Международная конференция IEEE 2010 по интеллектуальному анализу данных . IEEE. стр. 995–1000. CiteSeerX   10.1.1.393.8529 . дои : 10.1109/ICDM.2010.127 . ISBN  9781424491315 . S2CID   17265929 .
  32. ^ ЧэньХун-Сюань; ЧэньПу (09.01.2019). «Дифференцирование весов регуляризации - простой механизм облегчения холодного запуска в рекомендательных системах». Транзакции ACM по извлечению знаний из данных . 13 : 1–22. дои : 10.1145/3285954 . S2CID   59337456 .

Внешние ссылки [ править ]

Retrieved from "https://en.wikipedia.org/w/index.php?title=Cold_start_(recommender_systems)&oldid=1218916486"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: dc16f834f98c1770284d9e210385ea02__1713103920
URL1:https://arc.ask3.ru/arc/aa/dc/02/dc16f834f98c1770284d9e210385ea02.html
Заголовок, (Title) документа по адресу, URL1:
Cold start (recommender systems) - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)