Two of a kind or the ratings game？ Adaptive pairwise preferences and latent factor models

摘要

潜伏的因素模型为很多 recommender 系统成为了一匹驮马。当这些系统用级别被造时，数据，它是典型地假定静电干扰，合并随后的用户反馈的不同类型的能力是重要财产。例如，用户可能想要提供另外的信息给系统以便改进他的个人建议。到这个目的，我们为高效地学习检验一个新奇计划(或精制) 从如此的反馈的用户参数。我们建议用户们与 pairwise 偏爱问题的一个序列被介绍的一个计划：你喜欢条款 A 甚于 B 吗？用户参数基于他们的反应被更新，并且随后的问题在合并反馈以后适应地被选择。我们在一个贝叶斯的框架和问题的选择操作基于一个信息获得标准。我们在 Netflix 电影级别数据集合和数据设置了的专利电视阅读上验证计划。用户研究和自动化实验验证我们的调查结果。