推荐系统的冷启动

问题定义

冷启动即新加入的user或item, 在 user-item 二部图中, 新节点的度是0, 所以针对它们如何推荐, 就称为冷启动问题.
包括 user,item 两部分的冷启动.

论文笔记

Addressing Cold Start for Next-song Recommendation， 这是RecSys2016 的一篇有关冷启动论文， 基于pairWise Factorization， 见[1].

motivation

Next-song Recommendation.

dataset

$|User|=28k,|Song|=124k$, 10 万播放记录.

符号与公式

因为数据是成pair的，(user,last-time song, next song） ，所以为 last-time item 和 item 各自准备了一个latent space。

$P_{i,j}^u=m$, 为用户u的transition matrix,表示在用户u的播放序列中, 有过m次在播放完歌曲i后, 下一首播放了歌曲j.
$C_{i,j}^u=1+\alpha \log (1+\frac{P_{i,j}^u}{ϵ})$, 从P转换得到的 confidence value.
$A_i\in {\mathbb{R}}^m$, audio features.
$U_u\in {\mathbb{R}}^k$, a user latent vector.
$X_i\in {\mathbb{R}}^k$, last-item latent vector.
$Y_i\in {\mathbb{R}}^k$, item latent vector.
${\Psi }^X\in {\mathbb{R}}^{k\times m}$,${\Psi }^Y\in {\mathbb{R}}^{k\times m}$ learn a mapping matrix between audio feature space and the item latent space, for the last-time item and item , respectively.

proposed approach

Adaptive Linear Mapping Model (ALMM).
在使用交替最小二乘法进行因式分解的同时(而不是之后), 去 learn mapped latent vectors. 这样的好处是 content feature 和 latent vectors 可以被结合的更紧密.
也就是说, 它通过同时挖掘 sequential behavior 和 content feature 来捕捉 content-based transition preference.

base approach

Oord:mapping matrix 在因式分解得到 latent vectors 之后去学习.

evaluation metrics

mean average precision(MAP),novelty,diversity,freshness, popularity.

参考

1. RecSys2016,paper, Addressing Cold Start for Next-song Recommendation