因子分解と近傍法の融合

レコメンダーシステムは、ユーザーに対して製品やサービスの個別化された提案を提供します。これらのシステムはしばしば協調フィルタリング（CF）に依存しており、過去の取引を分析してユーザーと製品との関係を確立します。CFにおける2つのより成功したアプローチは、ユーザーと製品の両方を直接プロファイリングする潜在因子モデルと、製品またはユーザー間の類似性を分析する近傍モデルです。本研究では、これら両方のアプローチに対するいくつかの革新を紹介します。因子モデルと近傍モデルはスムーズに統合可能となり、より正確な結合モデルを構築します。さらに、ユーザーの明示的および暗黙的なフィードバックの両方を活用するためにモデルを拡張し、精度が向上します。これらの手法はNetflixのデータで検証され、その結果はこれまでに公開された同データセットの結果を上回っています。加えて、新たな評価指標を提案し、トップKレコメンデーション課題における性能に基づいて手法間の差異を強調します。