Як створити систему рекомендацій, яка інтегрує як спільну фільтрацію, так і вміст?

Я створюю систему рекомендацій і хочу включити як рейтинги "подібних" користувачів, так і функції елементів. Вихід - прогнозований рейтинг [0-1]. Я розглядаю нейронну мережу (для початку).

Отже, вхідні дані - це поєднання особливостей елементів та рейтингів кожного користувача. Для елемента A та користувача 1 система може бути навчена комбінованим даним, A1. Це був би один приклад навчання.

Що робити, якщо користувач 1 також оцінив фільм B? Тоді чи дані B1 також можуть бути прикладом навчання? Чи є проблема з повторенням тренінгу з функціями користувача 1 таким чином?

Чи є якісь пропозиції щодо кращого способу наближення до проблеми?

Чому ви розглядаєте нейронну мережу, перш ніж повністю зрозуміти проблему?

Стандартні методи матричної факторизації для спільної фільтрації здатні легко використовувати функції вмісту. Для прикладу того, як це можна зробити в байєсівській обстановці, дивіться папір Matchbox .

Три статті про інтеграцію матричної факторизації із змістовими функціями (тут, зокрема, тематична модель):

• Діпак Агарвал і Бі-Чунг Чен. 2010. fLDA: матрична факторизація за допомогою прихованого розподілу диріхлету. У матеріалах третьої міжнародної конференції ACM з веб-пошуку та обміну даними (WSDM '10). ACM, Нью-Йорк, Нью-Йорк, США, 91-100.
• Ханьхуай-Шань та Аріндам Банерджі. 2010. Узагальнені ймовірнісні матричні чинники для спільної фільтрації. У матеріалах Міжнародної конференції IEEE з питань обміну даними 2010 року (ICDM '10). IEEE Computer Society, Вашингтон, округ Колумбія, США, 1025-1030.
• Чонг Ван та Девід М. Блей. 2011. Спільне моделювання тем для рекомендування наукових статей. У матеріалах 17-ї міжнародної конференції ACM SIGKDD про відкриття знань та обмін даними (KDD '11). ACM, Нью-Йорк, Нью-Йорк, США, 448-456.

Я також просунув би свій власний запис у блозі, який дещо обговорює це питання: Моделі тем відповідають моделям Lantent Factor

Немає потреби в нейромережевому підході, спільна фільтрація - це алгоритм сам по собі. Для вашої проблеми, зокрема, є хороший опис системи cf та recomender на:

ml-class.org

(шукайте XVI: Рекомендаційні системи). Це елегантно, просто, і якщо ви зробите це правильно (тобто використовувати векторизовану форму, швидкі мінімізатори та підготовлені градієнти), це може бути досить швидким.