Modeling User Exposure in Recommendation

Graphical Model
Oct 2015

Modeling User Exposure in Recommendation

Oct 2015

Le filtrage collaboratif analyse les préférences des utilisateurs pour des éléments (livres, films, restaurants, documents universitaires, etc.) en exploitant les schémas de similarité entre les utilisateurs. Dans les paramètres de retour implicite, tous les éléments, y compris ceux qu’un utilisateur n’a pas consommés, sont pris en compte. Mais cette hypothèse ne concorde pas avec le sens commun selon lequel les utilisateurs ont une portée et une connaissance limitées des éléments. Par exemple, un utilisateur peut ne pas avoir entendu parler d’un certain papier ou habiter trop loin d’un restaurant pour en faire l’expérience. Dans le langage de l’analyse causale [9], le mécanisme d’attribution (c’est-à-dire les éléments auxquels un utilisateur est exposé) est une variable latente qui peut changer pour diverses combinaisons utilisateur / élément. Dans cet article, nous proposons une nouvelle approche probabiliste intégrant directement l’exposition des utilisateurs aux éléments dans le filtrage collaboratif. L’exposition est modélisée comme une variable latente et le modèle déduit sa valeur des données. Ce faisant, nous retrouvons l’une des approches les plus performantes en tant que cas particulier de notre modèle [8] et fournissons une méthode plug-in pour conditionner l’exposition sur diverses formes de covariables d’exposition (par exemple, un sujet dans un texte, ou un lieu de rendez-vous). Nous montrons que notre algorithme d’inférence évolutif surpasse les tests de performance existants dans quatre domaines différents avec et sans covariables d’exposition.

Reference

Dawen Liang, Laurent Charlin, James McInerney and David Blei, Modeling User Exposure in Recommendation, in: International World Wide Web Conference (WWW), 2016

 

PDF

Source code

Linked Profiles