【论文标题】BPR:Bayesian Personalized Ranking from Implicit Feedback (2012,Published by ACM Press)

【论文作者】Steffen RendleChristoph FreudenthalerZeno GantnerLars Schmidt-Thieme

【论文链接】Paper(10-pages // Double column)

【摘要】

  项目推荐是预测一组项目集合(如网站、电影、产品)的个性化排名的任务。在这篇论文中,我们用隐式反馈(例如点击、购买)来调查最常见的场景。有许多利用隐式反馈来做项目推荐的方法,如矩阵分解(MF)或自适应k近邻(kNN)。尽管这些方法是为个性化排序的项目预测任务而设计的,但没有一个是直接针对排名 ranking 进行优化的。在这篇论文中,提出了一种通用的优化准则,即利用贝叶斯分析推导得到最大后验估计。我们还提供了一种通用的学习算法,用于对BPR-Opt进行优化模型。该学习方法是基于引导抽样(bootstrap sampling)的随机梯度下降法。我们展示了如何将我们的方法应用到目前两个最先进的推荐模型中:矩阵分解和自适应kNN。我们的实验表明,在个性化排序的任务中,我们的优化方法优于MF和kNN的标准学习技术。结果表明,优化模型对正确准则的重要性。

【介绍】

04-27 02:05