【论文作者】Jingtao Ding , Guanghui Yu , Xiangnan He , Yuhan Quan ,Yong Li , Tat-Seng Chua , Depeng Jin , Jiajie Yu
【论文链接】Paper （7-pages）
【摘要】
大多数现有的推荐系统只利用主反馈数据，比如电子商务中的购买记录。在这个工作中，我们将视图数据添加到内隐反馈的推荐系统中（称为隐式推荐系统）。我们建议在购买、查看和非查看交互之间建立成对的排序关系，比典型的pointwise矩阵分解（MF）方法更有效、更灵活。然而，这种成对的公式在学习模型时提出了效率上的挑战。为了解决这个问题，我们设计了一种新的学习算法，该算法基于元素的交替最小二乘（eALS）学习者。值得注意的是，我们的算法可以有效地从整个用户项矩阵（包括所有缺失的数据）中学习模型参数，并且只依赖于观察到的数据的时间复杂度相当低。在两个真实世界的数据集上进行了大量的实验，证明我们的方法优于几种最先进的MF方法，并提高了10%28.4%。我们的实现可在这里找到：https://github.com/dingjingtao/View_enhanced_ALS