La Raccomandazione · Il piatto giusto per te
BPR: Ranking Bayesiano Personalizzato da Feedback Implicito — Rendle et al. 2009
Immaginate un negozio online che registra silenziosamente ogni acquisto: non quello che non avete comprato, solo quello che avete effettivamente preso. I vecchi sistemi di raccomandazione trattavano ogni prodotto non acquistato come prova che non vi piacesse — un errore fondamentale, perché 'non ancora' e 'mai' sono cose molto diverse.
BPR pone una domanda più onesta: se avete comprato il prodotto A ma non avete mai guardato il prodotto B, significa che preferite A su B? Probabilmente sì — e insegnare al modello questa preferenza a coppie, invece di assegnare un punteggio a ogni prodotto separatamente, cambia tutto.
Nei test su un vero negozio online e sui dati di visione di Netflix, i modelli addestrati con BPR hanno classificato gli elementi meglio di tutti i metodi precedenti. E la cosa più sorprendente: qualsiasi modello BPR personalizzato ha fatto meglio della strategia matematicamente ottimale di mostrare a tutti lo stesso elenco degli elementi più popolari.
Questo è la prova silenziosa che conoscere voi, specificamente, vale più di conoscere tutti.
Cosa dice, in breve
- BPR (Bayesian Personalized Ranking) riformula la raccomandazione di elementi come problema di ottimizzazione dell'ordinamento di coppie di oggetti per ogni utente, anziché prevedere punteggi assoluti, eliminando la contraddizione tra obiettivo di addestramento e metrica di valutazione basata sul ranking.
- BPR-Opt è derivato come stimatore massimo a posteriori sulle triple di addestramento a coppie (u, i, j), dove si assume che l'utente u preferisca l'elemento osservato i sull'elemento non osservato j; la verosimiglianza utilizza la funzione sigmoide logistica e il prior è gaussiano a media zero, producendo un log-posteriore equivalente a una somma di perdite log-sigmoidali meno la regolarizzazione L2.
- BPR-Opt è formalmente analogo all'ottimizzazione dell'AUC: entrambi sommano sulle stesse triple D_S e differiscono solo nella funzione di perdita — Heaviside non differenziabile per AUC, ln-sigmoide differenziabile per BPR-Opt — rendendo BPR-Opt il surrogato, motivato dalla massima verosimiglianza, per la massimizzazione dell'AUC.
- LearnBPR, l'algoritmo di apprendimento, esegue la discesa stocastica del gradiente con campionamento bootstrap (selezione casuale uniforme di triple con reimmissione), evitando la lenta convergenza e l'asimmetria del gradiente della SGD user-wise o item-wise.
- BPR è agnostico rispetto al modello: decompone lo stimatore delle triple come x_uij = x_ui − x_uj, consentendo a qualsiasi modello di filtraggio collaborativo che produce punteggi per coppie utente-elemento di essere ottimizzato sotto BPR-Opt; la carta dimostra ciò per la fattorizzazione di matrici (BPR-MF) e il kNN adattivo basato su oggetti (BPR-kNN).
- Su entrambi il dataset Rossmann e un sottocampione di Netflix, BPR-MF e BPR-kNN ottengono un AUC leave-one-out superiore a SVD-MF, WR-MF e Cosine-kNN a tutte le dimensionalità del modello, con BPR-MF a 8 dimensioni equivalente a WR-MF a 128 dimensioni su Netflix.
- Anche il metodo BPR personalizzato più semplice supera il limite teorico superiore del ranking non personalizzato (np_max), dimostrando la superiorità categorica del filtraggio collaborativo personalizzato rispetto a qualsiasi strategia basata sulla popolarità degli elementi.
Provenienza
- Fonte
- BPR: Bayesian Personalized Ranking from Implicit Feedback— Rendle et al. 2009
- Licenza
- unknown
- Nel Kosmos
- 3 voci · 94 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.