Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску
Информацию о процессе перезагрузки компьютера без выполнения каких-либо процедур выключения см. В разделе « Жесткая перезагрузка» .
Чтобы узнать о других значениях, см. Холодный старт .
Рекомендательные системы
Концепции
Методы и проблемы
Реализации
Исследование

Холодный старт - потенциальная проблема компьютерных информационных систем, которая включает в себя определенную степень автоматизированного моделирования данных . В частности, это касается проблемы, заключающейся в том, что система не может делать никаких выводов для пользователей или элементов, о которых она еще не собрала достаточную информацию.

Затронутые системы [ править ]

Проблема холодного пуска - это хорошо известная и хорошо изученная проблема для рекомендательных систем . Рекомендательные системы формируют особый тип метода фильтрации информации (IF), который пытается представить элементы информации ( электронная коммерция , фильмы , музыка , книги , новости , изображения , веб-страницы ), которые могут заинтересовать пользователя. Обычно рекомендательная система сравнивает профиль пользователя с некоторыми эталонными характеристиками. Эти характеристики могут быть связаны с характеристиками элемента ( фильтрация на основе содержимого ) или социальной средой пользователя и прошлым поведением ( совместная фильтрация). В зависимости от системы, пользователь может быть связан с различными видами 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 элемент : в систему добавляется новый элемент, он может содержать некоторую информацию о содержимом, но никаких взаимодействий нет.
  3. Новый пользователь : новый пользователь регистрируется и еще не взаимодействовал, поэтому дать персональные рекомендации невозможно.

Новое сообщество [ править ]

Новая проблема сообщества, или системная самозагрузка, относится к запуску системы, когда практически отсутствует информация, на которую рекомендатель может положиться. [2] Этот случай имеет недостатки как для случая «Новый пользователь», так и для случая «Новый элемент», поскольку все элементы и пользователи являются новыми. По этой причине некоторые методы, разработанные для этих двух случаев, неприменимы для начальной загрузки системы.

Новый элемент [ править ]

Проблема холодного запуска элемента возникает, когда элементы, добавленные в каталог, либо не взаимодействуют друг с другом, либо не взаимодействуют друг с другом. Это представляет проблему, главным образом, для алгоритмов совместной фильтрации из-за того, что они полагаются на взаимодействие элемента для выработки рекомендаций. Если взаимодействия недоступны, чистый алгоритм совместной работы не может рекомендовать элемент. 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 скорее с непопулярными.. В некоторых случаях (например, рекомендации 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 предвзятой популярностью . [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 были 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 рекомендующего недостаточно информации для совместной работы, чтобы рекомендовать их значимым и надежным способом. [6]

С другой стороны, алгоритмы контентной фильтрации теоретически гораздо менее подвержены проблеме нового элемента. Поскольку рекомендатели, основанные на содержании, выбирают, какие элементы рекомендовать, в зависимости от характеристик, которыми они обладают, даже при отсутствии взаимодействия с новым элементом, все же его функции позволят сделать рекомендацию. [7] Это, конечно, предполагает, что новый элемент уже будет описан своими атрибутами, что не всегда так. Рассмотрим случай так называемых редакционных характеристик (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, функциями, извлеченными из пользовательских обзоров 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 [ править ]

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 рекомендующий является частью услуги, предлагаемой пользователям, поскольку пользователь, который сталкивается с рекомендациями низкого качества, может вскоре решить прекратить использование системы, прежде чем предоставит достаточно взаимодействия, чтобы рекомендатель мог понять его / ее интересы. Основная стратегия работы с новыми пользователями - попросить их предоставить некоторые предпочтения для создания исходного 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. Это повлияет на рекомендателей товаров и товаров , поскольку они полагаются на профиль пользователя, чтобы оценить, насколько актуальны предпочтения других пользователей. Алгоритмы совместной фильтрации подвержены наибольшему влиянию, поскольку без взаимодействия невозможно сделать вывод о предпочтениях пользователя. Алгоритмы рекомендаций пользователя и пользователя [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 во время процесса регистрации, либо путем запроса пользователя ввести данные самостоятельно, либо путем использования уже имеющихся данных, например, в его учетных записях в социальных сетях. [11]

Стратегии смягчения [ править ]

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

Распространенной стратегией при работе с новыми элементами является объединение рекомендателя совместной фильтрации для теплых элементов с рекомендателем фильтрации на основе содержимого для холодных элементов. Хотя эти два алгоритма можно комбинировать по-разному, главный недостаток этого метода связан с низким качеством рекомендаций, которое часто проявляется в рекомендателях, основанных на содержании, 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 можно порекомендовать просто самые популярные товары либо в мире, либо для их конкретного географического региона или языка.

Завершение профиля [ править ]

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

Например, MovieLens , веб- система рекомендаций 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 предоставит 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 музыкальном исполнителе с 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 личностных характеристик пользователя и использовать такой профиль для создания персонализированных рекомендаций. [20] [21] Личностные характеристики пользователя могут быть идентифицированы с помощью такой модели личности, как пятифакторная модель (FFM).

Еще один из возможных методов - применить активное обучение (машинное обучение) . Основная цель активного обучения - направить пользователя в процессе определения предпочтений, чтобы попросить его оценить только те элементы, которые с точки зрения рекомендателя 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 разному 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 определить, где находится граница, что позволит классифицировать многие другие точки с помощью всего нескольких наблюдений.

Проблема холодного старта проявляется и в интерфейсных агентах . 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 он ранее наблюдал за 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]

Сопоставление функций [ править ]

В последние годы были предложены более продвинутые стратегии, все они полагаются на машинное обучение и пытаются объединить контент и информацию для совместной работы в единой модели. Одним из примеров такого подхода является отображение атрибутов на признаки [24], адаптированное к алгоритмам матричной факторизации . [25] Основная идея заключается в следующем. Модель матричной факторизации представляет взаимодействия пользователя с элементом как продукт 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 .[26] Когда добавляется новый элемент, с ним не связаны скрытые факторы, а 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 разделяет 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 специфической для группы частью (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 специфического для группы латентного фактора.

Взвешивание гибридных характеристик [ править ]

Другой недавний подход, который имеет сходство с отображением функций, - это создание рекомендации по гибридной фильтрации на основе содержимого, в которой функции, либо элементы, либо 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 сериал о Джеймсе Бонде , где главный актер много раз менялся за эти годы, а некоторые нет, как Лоис Максвелл . Следовательно, ее присутствие, вероятно, будет лучшим идентификатором такого фильма, чем присутствие одного из различных главных действующих лиц. [15] [29]Хотя существуют различные методы для применения взвешивания характеристик к характеристикам пользователя или элемента в рекомендательных системах , большинство из них относятся к области поиска информации, например tf – idf , Okapi BM25 , и лишь 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, напрямую используя взаимодействие пользователя с элементами, например FBSM. [29] Другие полагаются на промежуточную модель совместной работы, обученную на «теплых» элементах, и пытаются изучить веса характеристик контента, которые будут лучше соответствовать модели совместной работы. [15]

Многие из гибридных методов можно рассматривать как частные случаи факторизационных машин . [31] [32]

Дифференциация весов регуляризации [ править ]

Вышеупомянутые 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 устанавливает более высокие ограничения для других (например, менее популярные элементы). и неактивные пользователи). [33] Показано, что от этой стратегии выигрывают различные модели рекомендаций. Дифференцирующие веса регуляризации можно интегрировать с другими стратегиями смягчения последствий холодного старта.

См. Также [ править ]

  • Совместная фильтрация
  • Выявление предпочтений
  • Рекомендательная система
  • Активное обучение (машинное обучение)
  • Пятифакторная модель

Ссылки [ править ]

  1. ^ Бобадилла, Хесус; Ортега, Фернандо; Эрнандо, Антонио; Бернал, Хесус (февраль 2012 г.). «Подход совместной фильтрации для смягчения проблемы холодного запуска нового пользователя» . Системы, основанные на знаниях . 26 : 225–238. DOI : 10.1016 / j.knosys.2011.07.021 .
  2. ^ a b 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. DOI : 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. DOI : 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 . DOI : 10.1140 / epjb / e2018-80374-8 .
  5. ^ Abdollahpouri, Himan; Берк, Робин; Мобашер, Бамшад (27 августа 2017 г.). Материалы одиннадцатой конференции ACM по рекомендательным системам - Rec Sys '17 . ACM. С. 42–46. DOI : 10.1145 / 3109859.3109912 . ISBN 9781450346528.
  6. ↑ Пак, Юн-Джу; Тужилин, Александр (23 октября 2008 г.). Материалы конференции ACM 2008 г. по рекомендательным системам - Rec Sys '08 . ACM. С. 11–18. CiteSeerX 10.1.1.421.1833 . DOI : 10.1145 / 1454008.1454012 . ISBN  9781605580937.
  7. ^ Паццани, Майкл Дж .; Билсус, Дэниел (2007). Системы рекомендаций, основанные на содержании . Адаптивный Интернет . Конспект лекций по информатике. 4321 . С. 325–341. CiteSeerX 10.1.1.130.8327 . DOI : 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, основанные на отзывах пользователей: современное состояние». Пользовательское моделирование и взаимодействие с пользователем . 25 (2): 99–154. DOI : 10.1007 / s11257-015-9155-5 .
  9. ^ Бобадилла, Хесус; Ортега, Фернандо; Эрнандо, Антонио; Бернал, Хесус (февраль 2012 г.). «Подход совместной фильтрации для смягчения проблемы холодного запуска нового пользователя» . Системы, основанные на знаниях . 26 : 225–238. DOI : 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. DOI : 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 (Europhysics Letters) . 92 (2): 28002. arXiv : 1004.3732 . Bibcode : 2010EL ..... 9228002Z . DOI : 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 . DOI : 10.1145 / 963770.963775 . 
  13. ^ Salter, J .; Антонопулос, Н. (январь 2006 г.). «Агент CinemaScreen Recommender: объединение совместной и контентной фильтрации» (PDF) . Интеллектуальные системы IEEE . 21 (1): 35–41. DOI : 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 . DOI : 10.1007 / 978-3-540-72079-9_12 . ISBN  978-3-540-72078-2.
  15. ^ a b c Селла, 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. DOI : 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. DOI : 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 совместной фильтрации» . Обзор компьютерных наук . 20 : 29–50. doi : 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-й ежегодной международной конференции ACM SIGIR по исследованиям и разработкам в области информационного поиска (SIGIR 2002). Нью-Йорк, Нью-Йорк : ACM . С.  253–260 . ISBN  1-58113-561-0. Проверено 2 февраля 2008 .
  19. ^ «Поставщик пытается решить проблему« холодного старта »в рекомендациях по содержанию» (PDF) . Мобильные СМИ : 18. 29 июня 2007 г. Архивировано из оригинального (PDF) 21 ноября 2008 года . Проверено 2 февраля 2008 .
  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. DOI : 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 в совместной фильтрации за счет использования информации о личности». Пользовательское моделирование и взаимодействие с пользователем . 26 (2–3): 221–255. DOI : 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. DOI : 10.1007 / 978-1-4899-7637-6_24 . ISBN 978-1-4899-7637-6.
  23. ^ a b Езди Лашкари; Макс Метраль; Патти Мэйс (1994). Агенты коллективного интерфейса . Труды Двенадцатой национальной конференции по искусственному интеллекту. Сиэтл , Вашингтон : AAAI Press . С. 444–449. ISBN 0-262-61102-3. Проверено 2 февраля 2008 .
  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 . DOI : 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 . DOI : 10,1109 / MC.2009.263 . 
  26. ^ 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 . ACM. С. 19–28. DOI : 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 старта» . Труды Международной конференции SIAM 2015 по интеллектуальному анализу данных . С. 190–198. DOI : 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 . Пользовательское моделирование 2007 . Конспект лекций по информатике. 4511 . С. 97–106. DOI : 10.1007 / 978-3-540-73078-1_13 . ISBN 978-3-540-73077-4.
  31. ↑ Рендл, Штеффен (1 мая 2012 г.). «Машины факторизации с libFM». ACM-транзакции по интеллектуальным системам и технологиям . 3 (3): 1-22. DOI : 10.1145 / 2168752.2168771 .
  32. Перейти ↑ Rendle, Steffen (2010). «Машины факторизации». 2010 Международная конференция IEEE по интеллектуальному анализу данных . IEEE. С. 995–1000. CiteSeerX 10.1.1.393.8529 . DOI : 10.1109 / ICDM.2010.127 . ISBN  9781424491315.
  33. ^ ChenHung-Hsuan; 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. DOI : 10.1145 / 3285954 .

Внешние ссылки [ править ]

  • http://activeintelligence.org/wp-content/papercite-data/pdf/Rubens-Active-Learning-RecSysHB2010.pdf
  • http://activeintelligence.org/research/al-rs/