Коллаборативная фильтрация для наборов данных с косвенной обратной связью

Распространенная задача систем рекомендательных сервисов заключается в улучшении пользовательского опыта за счет персонализированных рекомендаций, основанных на ранее полученной косвенной (неявной) обратной связи. Такие системы пассивно отслеживают различные виды поведения пользователей, например историю покупок, привычки просмотра и активность при просмотре веб-страниц, чтобы моделировать пользовательские предпочтения. В отличие от намного более исследованной явной обратной связи, у нас нет прямых заявлений от пользователей о их предпочтениях. В частности, отсутствуют достоверные данные о том, какие продукты пользователи не любят. В настоящей работе мы выявляем уникальные свойства наборов данных с косвенной обратной связью. Мы предлагаем трактовать данные как индикаторы положительных и отрицательных предпочтений, ассоциированные с существенно различающимися уровнями уверенности. Это приводит к факторной модели, специально адаптированной для рекомендательных систем на основе косвенной обратной связи. Мы также предлагаем масштабируемую процедуру оптимизации, вычислительная сложность которой растет линейно с размером данных. Алгоритм успешно применяется в рекомендательной системе для телешоу и показывает преимущества по сравнению с тщательно настроенными реализациями других известных методов. Кроме того, мы предлагаем новый способ предоставления объяснений к рекомендациям, выдаваемым этой факторной моделью.