一、基本信息
論文題目：《Top-N Recommendation with High-Dimensional Side Information via Locality Preserving Projection》
作者及單位：
發表時間：SIGIR 2017
二、摘要
在本文中，我們利用高維側信息來增強Top-N推薦。爲了減少高維的影響，我們在推薦模型中引入了一種維數約簡方法，即局部保持投影（LPP）。提出了一種聯合學習模型，可以同時迭代地完成降維推薦任務。具體來說，推薦模型生成的項目相似度被用作LPP鄰接圖的權重，而投影則被用於偏差項目相似度的學習。採用LPP進行推薦，不僅保留了局部性，而且提高了項目的相似性。實驗結果表明，該方法優於現有的方法。
三、主要內容與工作
1、Among the many available dimensionality reduction methods, Locality Preserving Projection (LPP) [3] has been shown to produce a low-dimensional space that well preserves locality. As recommendation quality largely depends on item similarity, LPP is a natural candidate in this setting.
2、
- we propose a top-n recommendation method to harness high-dimensional side information. By introducing a projection matrix, high-dimensional side information is reduced into a low-dimensional space.
- We present a joint learning model to simul-taneously perform LPP and learn item similarity.
- We then conceive an alternative iterative optimization method to solve the model.
3、
4、本文提出的模型
四、總結
本文介紹了利用高維側信息提高推薦績效所遇到的問題，現有文獻對這些問題的研究還不充分。我們提出了一種新的方法來解決這一挑戰，即投影規則化項目相似性模型——Prism。該方法將LPP和Top-N推薦集成到一個聯合學習算法中。在新的框架下，LPP不僅解決了高維性帶來的問題，而且提高了項目相似性的相關性。我們進行了大量的實驗，結果證明了Prism的優越性。