Jak stworzyć system rekomendujący, który integruje funkcje filtrowania grupowego i funkcje treści?

Tworzę system polecający i chcę uwzględnić zarówno oceny „podobnych” użytkowników, jak i cechy produktów. Dane wyjściowe to przewidywana ocena [0-1]. Rozważam sieć neuronową (na początek).

Tak więc dane wejściowe są kombinacją cech elementów i ocen każdego użytkownika. Dla elementu A i użytkownika 1 system może zostać przeszkolony na podstawie połączonych danych A1. To byłby jeden przykład szkolenia.

Co się stanie, jeśli użytkownik 1 oceni także film B? Czy dane B1 byłyby również przykładem szkolenia? Czy istnieje problem z powtarzaniem treningu z funkcjami użytkownika 1 w ten sposób?

Czy masz jakieś sugestie dotyczące lepszego sposobu rozwiązania problemu?

Dlaczego zastanawiasz się nad siecią neuronową, zanim całkowicie zrozumiesz problem?

Standardowe metody faktoryzacji macierzy do wspólnego filtrowania umożliwiają łatwe wykorzystanie funkcji treści. Przykład tego, jak można to zrobić w ustawieniu bayesowskim, znajduje się w dokumencie Matchbox .

Trzy artykuły na temat integracji faktoryzacji macierzy z funkcjami treści (tutaj, w szczególności model tematyczny):

• Deepak Agarwal i Bee-Chung Chen. 2010. fLDA: faktoryzacja macierzy poprzez ukryty przydział dirichleta. W materiałach z trzeciej międzynarodowej konferencji ACM na temat wyszukiwania w sieci i eksploracji danych (WSDM '10). ACM, Nowy Jork, NY, USA, 91-100.
• Hanhuai Shan i Arindam Banerjee. 2010. Uogólnione faktoryzacje macierzy probabilistycznych na potrzeby filtrowania grupowego. W materiałach z międzynarodowej konferencji IEEE 2010 w sprawie eksploracji danych (ICDM '10). IEEE Computer Society, Waszyngton, DC, USA, 1025–1030.
• Chong Wang i David M. Blei. 2011. Wspólne modelowanie tematów do rekomendowania artykułów naukowych. W materiałach z 17. międzynarodowej konferencji ACM SIGKDD na temat odkrywania wiedzy i eksploracji danych (KDD '11). ACM, Nowy Jork, Nowy Jork, USA, 448–456.

Chciałbym również promować swój własny wpis na blogu, który trochę omawia ten problem: modele tematyczne spełniają modele Lantent Factor

Nie ma potrzeby stosowania sieci neuronowej, wspólne filtrowanie jest algorytmem samym w sobie. Dla twojego problemu, istnieje dobry opis systemu cf i systemu rekomendacji na:

ml-class.org

(poszukaj XVI: Systemy rekomendujące). Jest elegancki, prosty, a jeśli zrobisz to dobrze (to znaczy zastosujesz wektoryzowaną formę, szybkie minimalizatory i przygotowane gradienty), może być dość szybki.