Context-Aware Ranking with Factorization Models

رتبه‌بندی آگاهانه از متن یک کار مهم برای بسیاری از برنامه‌ها است. به عنوان مثال. در موارد سیستم های توصیه گر (محصولات، فیلم ها، ...) و برای موتورهای جستجو صفحات وب باید رتبه بندی شوند. در همه این برنامه ها، رتبه بندی جهانی نیست (یعنی همیشه یکسان است) اما به زمینه بستگی دارد. مثال های ساده برای زمینه، کاربر برای سیستم های توصیه گر و پرس و جو برای موتورهای جستجو هستند. زمینه پیچیده تر شامل زمان، آخرین اقدامات و غیره است. مشکل اصلی این است که معمولاً حوزه های متغیر (مثلاً مشتریان، محصولات) طبقه بندی شده و بزرگ هستند، مشاهدات بسیار پراکنده هستند و فقط رویدادهای مثبت مشاهده می شوند. در این کتاب روشی عمومی برای رتبه‌بندی آگاه از زمینه و همچنین کاربرد آن ارائه شده است. برای مدل‌سازی فاکتورسازی جدید بر اساس برهمکنش‌های زوجی پیشنهاد شده و با سایر رویکردهای فاکتورسازی تانسور مقایسه می‌شود. برای یادگیری، چارچوب «رتبه‌بندی آگاه از زمینه بیزی» متشکل از یک معیار و الگوریتم بهینه‌سازی توسعه داده شده است. بخش دوم اصلی کتاب این نظریه کلی را در سه سناریوی آیتم، برچسب و توصیه مجموعه متوالی اعمال می کند. علاوه بر این، گسترش عوامل متغیر زمانی و مسائل تک کلاسی مورد مطالعه قرار گرفته است. این کتاب آثاری را که «جایزه بهترین مقاله WWW 2010»، «جایزه بهترین مقاله دانشجویی WSDM 2010» و «جایزه بهترین چالش کشف ECML/PKDD 2009» را دریافت کرده‌اند، تعمیم می‌دهد.

Context-aware ranking is an important task with many applications. E.g. in recommender systems items (products, movies, ...) and for search engines webpages should be ranked. In all these applications, the ranking is not global (i.e. always the same) but depends on the context. Simple examples for context are the user for recommender systems and the query for search engines. More complicated context includes time, last actions, etc. The major problem is that typically the variable domains (e.g. customers, products) are categorical and huge, the observations are very sparse and only positive events are observed. In this book, a generic method for context-aware ranking as well as its application are presented. For modelling a new factorization based on pairwise interactions is proposed and compared to other tensor factorization approaches. For learning, the `Bayesian Context-aware Ranking' framework consisting of an optimization criterion and algorithm is developed. The second main part of the book applies this general theory to the three scenarios of item, tag and sequential-set recommendation. Furthermore extensions of time-variant factors and one-class problems are studied. This book generalizes and builds on work that has received the `WWW 2010 Best Paper Award', the `WSDM 2010 Best Student Paper Award' and the `ECML/PKDD 2009 Best Discovery Challenge Award'.