Recommender-Systems-for-Implicit-Feedback-datasets:客户项目元数据增强了矩阵分...

隐式反馈的推荐系统：附带信息增强的协同过滤 问题定义 一个常见的用例是将其他商品从商品目录推荐给用户。 在提出这些建议时，交叉销售/追加销售模型的基础算法必须考虑： 用户购买行为 用户和项目属性 建模框架：将协作过滤与回归结合 在协同过滤（CF）中，该模型直接从用户的购买行为中学习，以推荐其他项目。 它通过分析用户之间的关系以及项目之间的相互依赖性来确定新的用户项目关联，从而做到这一点。 当用户表现出足够的购买行为时，基于CF的方法通常优于基于内容的基于用户可观察特征进行预测的方法[1]。 基于矩阵分解技术的协同过滤现在被认为是最新技术。 在这种方法中，我们估计每个用户和每个项目的潜在因素。 这些潜在因素表征了用户无法观察到的偏好，并且可以与公司库存中其他项目的潜在因素相结合，以推荐用户可能购买的顶级项目。 我们可以将这些潜在因素视为无法直接观察到且只能从用户的购买中推断出的用户的潜