В недавно опубликованной статье «Fifty Shades of Ratings: How to Benefit from a Negative Feedback in Top-N Recommendations Tasks» группа исследователей из Сколковского университета науки и технологий представила инновационный рекомендательный алгоритм для систем, основанных на рейтингах контента.
В то время как классические технологии коллаборативной фильтрации подразумевают использование шкалы заинтересованности контентом, варьирующейся от нейтральной до позитивной оценки, очевидно, что во многих случаях фидбек может быть и отрицательным. Исследователи отмечают, что зачастую низкая положительная оценка означает именно неприятие контента — ввиду ограничений рейтинга пользователь просто не может поставить оценку ниже. Применение же, например, техники SVD для получения рекомендаций в подобных случаях часто портит интерпретацию рейтингов. Грубо говоря, низкие положительные рейтинги могут «вырастать», в то время как значимость реально высоких оценок существенно снижается. Следствием подобного подхода является посредственное качество получаемых рекомендаций.
Авторы работы предложили модель, названную ими CoFFee (Collaborative Full Feedback model). В рамках этой модели анализируется трехмерная структура, тремя измерениями которой являются «пользователи», «предметы» и «рейтинги» (в отличие от классической двумерной матрицы, где присутствую только «пользователи» и «предметы»). В то время как двумерная матрица анализируется с помощью матричного разложения, работа с трехмерной производится с помощью тензорной факторизации — декомпозиции Такера.
Экспериментальная апробация модели доказала ее хорошие качественные показатели. В частности, установлено, что серьезное преимущество достигается в случаях холодного старта. Подобный подход заслуживает внимания со стороны продакшн-систем, и, при должной обкатке, будет являться достойной альтернативой классическим методам.
При подготовке статьи использованы материалы:
Frolov E., Oseledets I. Fifty Shades of Ratings: How to Benefit from a Negative Feedback in Top-N Recommendations Tasks //Proceedings of the 10th ACM Conference on Recommender Systems. — ACM, 2016. — С. 91-98.