A Scalable Recommendation Engine for New Users and Items

要約

多くの新しいユーザーやアイテムを扱うオンライン ニュースや電子テーリングなどの多くのデジタル コンテキストでは、レコメンデーション システムはいくつかの課題に直面しています。
) アイテムに対するユーザーの好みを学習する方法 (テストと学習)、および iii) 無数の人口統計と属性を持つ多くのユーザーとアイテムにわたってスケーリングする方法。
多くのレコメンデーション システムはこれらの課題の側面に対応していますが、すべてに対応しているものはほとんどありません。
このペーパーでは、これらすべての考慮事項に共同で対応するために、Collaborative Filtering (CF) Multi-armed Bandit (B) with Attributes (A) レコメンデーション システム (CFB-A) を紹介します。
MovieLens データのオフライン テスト、合成データ シミュレーション、オンライン食料品実験などの実証的アプリケーションは、CFB-A が累積平均報酬の大幅な改善につながることを示しています (例: 費やした合計金額または時間、クリック数、購入数量、平均評価など)。
.) 現存する最も強力なベースライン メソッドと比較して。

要約(オリジナル)

In many digital contexts such as online news and e-tailing with many new users and items, recommendation systems face several challenges: i) how to make initial recommendations to users with little or no response history (i.e., cold-start problem), ii) how to learn user preferences on items (test and learn), and iii) how to scale across many users and items with myriad demographics and attributes. While many recommendation systems accommodate aspects of these challenges, few if any address all. This paper introduces a Collaborative Filtering (CF) Multi-armed Bandit (B) with Attributes (A) recommendation system (CFB-A) to jointly accommodate all of these considerations. Empirical applications including an offline test on MovieLens data, synthetic data simulations, and an online grocery experiment indicate the CFB-A leads to substantial improvement on cumulative average rewards (e.g., total money or time spent, clicks, purchased quantities, average ratings, etc.) relative to the most powerful extant baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google