【RS】LCR 局部協同排序
阿新 • • 發佈：2018-10-09
com comm group 導致 org 推薦 implicit 用戶 鏈接
【論文標題】CoupledCF: Learning Explicit and Implicit User-item Couplings in Recommendation for Deep Collaborative Filtering （IJCAI-2018 ）
【論文作者】Quangui Zhang， Longbing Cao，Chengzhang Zhu，Zhiqiang Li，Jinguang Sun
【論文鏈接】Paper （7-pages // Double column）
【摘要】
非iid推薦系統揭示了推薦的本質，並展示了它在提高推薦質量和解決諸如稀疏和冷啟動等問題上的潛力。它利用現有的工作，也就是通常將用戶/項目視為獨立的，而忽略了用戶和物品之間以及用戶之間的豐富的耦合性，從而導致性能改善受限。在現實中，用戶/物品中存在著用戶和物品之間以及用戶之間的各種各樣的耦合相關，這可能更好地解釋用戶如何以及為什麽對某一物品有個性化的偏好。本論文的工作建立在非iid學習的基礎上，提出一種用於協作過濾的神經用戶物品耦合學習，稱為CoupledCF。CoupledCF在用戶和項目之間，在用戶/物品屬性和深度特性方面，共同學習顯式和隱式耦合。在兩個真實世界的大型數據集上的實驗結果表明，CoupledCF明顯優於當前兩個最先進的神經推薦：神經矩陣分解和Google的寬深網絡。
【RS】LCR 局部協同排序