【论文标题】RankMBPR：Rank-Aware Mutual Bayesian Personalized Ranking for Item Recommendation （ WAIM 2016: Web-Age Information Management）
【论文作者】
【论文链接】Paper （13-pages // Single column）
【摘要】
之前的研究表明，基于比较对的方法是最先进的方法，它可以从隐式反馈中来适合用户的口味。在本文中，我们认为为固定用户构建项目比较对样本是不够的，因为两个用户对同一项产品的口味差异不能被明确区分出来。此外，正项的排序位置没有被用作为衡量下一个步骤的学习幅度的度量标准。因此，我们首先定义一个置信函数来动态控制学习步长，以更新模型参数。接着，我们引入了一种通用的方法，从用户和项目的角度来构建相互的比较对损失。我们将项目比较对的样本合并到一个流行的比较对学习框架中，即贝叶斯个性化排序（BPR），并提出了相互贝叶斯个性化排序（MBPR）方法，而不是以用户为导向的比较对抽样策略。此外，还提出了一种具有排序-感知的自适应采样策略，以提出最终的方法，称为“RankMBPR”。我们在四个真实世界的数据集上进行了实证研究，几个指标的实验结果证明了，与其他基线算法相比，我们所提出的方法的效率和有效性。