arXiv (Cornell University)· 2012· Ön baskı
BPR: Örtük Geri Bildirimden Bayesçi Kişiselleştirilmiş Sıralama
BPR: Bayesian Personalized Ranking from Implicit Feedback
- 4.376atıf
- 2012yıl
Kısa özet
Örtük geri bildirim kullanan ürün öneri sistemleri için, sıralama performansını doğrudan optimize eden yeni bir Bayesçi Kişiselleştirilmiş Sıralama (BPR) optimizasyon kriteri olan BPR-Opt tanıtıldı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Örtük geri bildirimle kişiselleştirilmiş sıralama için yeni bir Bayesçi optimizasyon kriteri olan BPR-Opt'u tanıtıyor.
- BPR-Opt, önceki yöntemlerin aksine sıralamayı doğrudan optimize eder.
- Bootstrap örneklemesi ile stokastik gradyan inişi kullanan genel bir öğrenme algoritması sunulmuştur.
- Deneyler, BPR-Opt'un matris ayrıştırma ve kNN öneri modellerinde standart yöntemlerden daha iyi performans gösterdiğini göstermektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Item recommendation is the task of predicting a personalized ranking on a set of items (e.g. websites, movies, products). In this paper, we investigate the most common scenario with implicit feedback (e.g. clicks, purchases). There are many methods for item recommendation from implicit feedback like matrix factorization (MF) or adaptive knearest-neighbor (kNN). Even though these methods are designed for the item prediction task of personalized ranking, none of them is directly optimized for ranking. In this paper we present a generic optimization criterion BPR-Opt for personalized ranking that is the maximum posterior estimator derived from a Bayesian analysis of the problem. We also provide a generic learning algorithm for optimizing models with respect to BPR-Opt. The learning method is based on stochastic gradient descent with bootstrap sampling. We show how to apply our method to two state-of-the-art recommender models: matrix factorization and adaptive kNN. Our experiments indicate that for the task of personalized ranking our optimization method outperforms the standard learning techniques for MF and kNN. The results show the importance of optimizing models for the right criterion.
Yazarların özeti; kaynağından alınmıştır. arXiv (Cornell University), 2012 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Bilişim Sistemleri
Information SystemsComputer Science