Декомпозиции булевых тензоров в рекомендательных системах

Одним из основных вопросов, закладывающих идею данной работы, является проблема извлечения выгоды из отрицательной обратной связи пользователей в рекомендательных системах. Как известно, стандартные методы коллаборативной фильтрации рассматривают задачу рекомендации, как задачу формирования списка наиболее релевантных элементов. Однако такая постановка задачи не учитывает обратное, т.е. она избегает нерелевантные рекомендации. Из-за этого упущения, стандартные алгоритмы, а также часто используемые оценочные метрики становятся нечувствительными к отрицательной обратной связи. Чтобы решить эту проблему, мы предлагаем рассматривать обратную связь пользователя как категориальную переменную и задавать ее в виде тензора с помощью пользователей и оцениваемых предметов. Для этого мы используем метод тензорной факторизации третьего порядка. Этот метод одинаково чувствителен ко всему спектру пользовательских рейтингов (как к положительным, так и к отрицательным) и способен точно прогнозировать релевантные элементы, даже если у нас имеется только отрицательная обратная связь. Мы также предлагаем модификацию стандартных оценочных метрик, которые помогают выявлять нежелательные упущения и учитывать чувствительность к отрицательной обратной связи. Наша модель достигает высокого качества в стандартных рекомендательных системах и, более того, она значительно превосходит другие методы коллаборативной фильтрации в случаях с отрицательной обратной связью пользователей или в случаях с недостатком информации о пользователях.