【论文标题】Local Latent Space Models for Top- N Recommendation （KDD-2018 ）
【论文作者】—Evangelia Christakopoulou (University of Minnesota)，George Karypis (University of Minnesota)
【论文链接】Paper（9-pages // Double column）
【摘要】
用户的行为是由他们对购买、查看的有潜在兴趣的商品的各个方面的偏好所驱动的，潜在的空间方法以隐含特征的形式对这些方面进行建模。尽管这些方法已经被证明可以带来好的结果，但对不同用户来说重要的方面（他所偏好的方面）可能有所不同。在许多领域中，可能存在着有一组所有用户都关心的商品特征，以及一组只针对不同用户子集所关心的特征。为了显式地捕捉到这一点，我们提出了几个模型，这些模型包含了一些所有用户都关心的隐含特征，和一些只有特定的用户子集关心的隐含特征。
特别地，我们提出了两个潜在（隐含）的空间模型：rGLSVD和sGLSVD，它们结合了这样一个全局和特定用户子集的隐含特征集。
rGLSVD模型根据用户们的评分模式将用户分配到不同的子集，然后估计一个全局的和特定用户子集的局部模型，这些模型的潜在（隐含）维度的数量（隐含特征数量）可能会有所不同。
sGLSVD模型通过将隐含维度的数量保持在这些模型中，从而对全局和特定用户子集的局部模型进行了估计，但优化了用户的分组，以达到最佳的近似。
我们在不同的真实世界数据集上的实验表明，所提议的方法明显优于最先进的潜在（隐含）空间-N推荐方法。
【一些参考网址】
1、http://www.kdd.org/kdd2018/accepted-papers/view/local-latent-space-models-for-top-n-recommendation