【論文標題】Local Latent Space Models for Top- N Recommendation （KDD-2018 ）

【論文作者】—Evangelia Christakopoulou (University of Minnesota)，George Karypis (University of Minnesota)

【論文鏈接】Paper （9-pages // Double column）

【摘要】

　　用戶的行為是由他們對購買、查看的有潛在興趣的商品的各個方面的偏好所驅動的，潛在的空間方法以隱含特征的形式對這些方面進行建模。盡管這些方法已經被證明可以帶來好的結果，但對不同用戶來說重要的方面（他所偏好的方面）可能有所不同。在許多領域中，可能存在著有一組所有用戶都關心的商品特征

　　特別地，我們提出了兩個潛在（隱含）的空間模型：rGLSVD和sGLSVD，它們結合了這樣一個全局和特定用戶子集的隱含特征集。

　　rGLSVD模型根據用戶們的評分模式將用戶分配到不同的子集，然後估計一個全局的和特定用戶子集的局部模型，這些模型的潛在（隱含）維度的數量（隱含特征數量）可能會有所不同。

　　sGLSVD模型通過將隱含維度的數量保持在這些模型中，從而對全局和特定用戶子集的局部模型進行了估計，但優化了用戶的分組，以達到最佳的近似。

　　我們在不同的真實世界數據集上的實驗表明，所提議的方法明顯優於最先進的潛在（隱含）空間-N推薦方法。

【一些參考網址】

1、http://www.kdd.org/kdd2018/accepted-papers/view/local-latent-space-models-for-top-n-recommendation

2、https://www-users.cs.umn.edu/~chri2951/publications.html

【RS】利用局部隱含空間模型進行Top-N推薦