問題定義

冷啟動即新加入的user或item, 在 user-item 二部圖中, 新節點的度是0, 所以針對它們如何推薦, 就稱為冷啟動問題.
包括 user,item 兩部分的冷啟動.

論文筆記

Addressing Cold Start for Next-song Recommendation， 這是RecSys2016 的一篇有關冷啟動論文， 基於pairWise Factorization， 見[1].

motivation

Next-song Recommendation.

dataset

|User|=28k,|Song|=124k$|User|=28k,|$

符號與公式

因為資料是成pair的，(user,last-time song, next song） ，所以為 last-time item 和 item 各自準備了一個latent space。

Pui,j=m$P_{i,j}^u=m$, 為使用者u的transition matrix,表示在使用者u的播放序列中, 有過m次在播放完歌曲i後, 下一首播放了歌曲j.
Cui,j=1+αlog(1+Pui,jϵ)$C_{i,j}^u=1+\alpha \log (1+\frac{P_{i,j}^u}{ϵ})$, 從P轉換得到的 confidence value.
Ai∈Rm$A_i\in {\mathbb{R}}^m$, audio features.

proposed approach

Adaptive Linear Mapping Model (ALMM).
在使用交替最小二乘法進行因式分解的同時(而不是之後), 去 learn mapped latent vectors. 這樣的好處是 content feature 和 latent vectors 可以被結合的更緊密.
也就是說, 它通過同時挖掘 sequential behavior 和 content feature 來捕捉 content-based transition preference.

base approach

Oord:mapping matrix 在因式分解得到 latent vectors 之後去學習.

evaluation metrics

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

參考