【RS】在推薦中建模用戶的暴露程度
阿新 • • 發佈：2018-07-05
模型 推斷 同時 推理 paper pos 成功 新的 https
【論文標題】Modeling User Exposure in Recommendation （2016-WWW）
【論文作者】Dawen Liang，Laurent Charlin，James McInerney，David M. Blei
【論文鏈接】Paper （11-pages）
【摘要】
通過利用用戶之間的相似模式，協作過濾分析用戶對項目的偏好（例如，書籍、電影、餐館、學術論文）。在隱式反饋設置中，所有的項目，包括用戶不使用的項目，都被考慮在內。但這樣的假設不符合用戶對項目的範圍和認識有限的常識理解。例如，用戶可能沒有聽說過某一篇論文，或者可能住得離餐館太遠而無法體驗到它。在因果分析的語言中，分配機制（即用戶所接觸到的條目）是一個潛在的變量，可能會對不同的用戶/項目組合進行更改。在本文中，我們提出了一種新的概率方法，它直接將用戶對項目的暴露合並到協作過濾中。該模型被建模為一個潛在變量，模型從數據中推斷出它的值。在此過程中，我們恢復了最成功的一種最先進的藝術方法，作為我們的模型的特殊情況，並提供 一種用於在各種形式的曝光協變（例如，文本，地點位置）上的暴露的插件方法。我們證明了我們的可擴展推理算法在四個不同的領域中都優於現有的nchmarks，同時也沒有暴露的協變量。
【RS】在推薦中建模用戶的暴露程度