Collaborative Ranking With 17 Parameters
Collaborative Ranking With 17 Parameters
复制标题
DOI：
--
复制
发表时间：
2012-12
期刊：
影响因子：
--
通讯作者：
M. Volkovs;R. Zemel
中科院分区：
文献类型：
--
作者：
M. Volkovs;R. Zemel
协作过滤（CF）的主要应用是向用户推荐一小组项目，这需要排名。然而，大多数方法将CF问题表述为评级预测，忽略了排名的角度。在这项工作中，我们提出了一种协作排名的方法，利用两个主要的CF方法，邻域和模型为基础的优势。我们的新方法非常高效，只有17个参数需要优化，只有一个超参数需要调整，并且击败了最先进的协作排名方法。我们还表明，在一个项目域的数据集上学习的参数在来自非常不同的项目域的数据集上产生了优异的结果，而无需任何再训练。
The primary application of collaborate filtering (CF) is to recommend a small set of items to a user, which entails ranking. Most approaches, however, formulate the CF problem as rating prediction, overlooking the ranking perspective. In this work we present a method for collaborative ranking that leverages the strengths of the two main CF approaches, neighborhood- and model-based. Our novel method is highly efficient, with only seventeen parameters to optimize and a single hyperparameter to tune, and beats the state-of-the-art collaborative ranking methods. We also show that parameters learned on datasets from one item domain yield excellent results on a dataset from very different item domain, without any retraining.