【论文标题】Local Collaborative Ranking （WWW '14 23rd WWW ）
【论文作者】Joonseok
【论文链接】Paper（11-pages // Double column）
【摘要】
个性化推荐系统被广泛应用于各种各样的应用程序中，如电子商务、社交网络、网络搜索等等。对推荐系统的协作过滤方法通常假定评分矩阵（例如，观众的电影评分）是低秩的。在本文中，我们研究了一种替代方法，在这种方法中，评分矩阵是局部低秩的。具体地说，我们假设在由（用户，项目）对定义的度量空间的特定近邻中，评分矩阵是低秩的。我们结合最近的一种方法进行局部低秩近似，基于Frobenius范数，并对排序损失函数进行一般的经验风险最小化。我们的实验表明，将局部低秩评分矩阵的混合组合在一起的实验效果比目前使用的最好的推荐系统要优秀的多。每一个局部低秩评分矩阵都被训练来最小化排序损失函数。此外，我们的方法很容易并行化，使其能够应用于现实世界中大规模的基于排序的推荐系统中。