【论文标题】Modeling User Exposure in Recommendation （）

【论文作者】Dawen Liang，Laurent Charlin，James McInerney，David M. Blei

【论文链接】（11-pages  // Double column）

 

【摘要】

　　通过利用用户之间的相似模式，协作过滤分析用户对项目的偏好（例如，书籍、电影、餐馆、学术论文）。在隐式反馈设置中，所有的项目，包括用户不使用的项目，都被考虑在内。但这样的假设不符合用户对项目的范围和认识有限的常识理解。例如，用户可能没有听说过某一篇论文，或者可能住得离餐馆太远而无法体验到它。在因果分析的语言中，分配机制（即用户所接触到的条目）是一个潜在的变量，可能会对不同的用户/项目组合进行更改。在本文中，我们提出了一种新的概率方法，它直接将用户对项目的暴露合并到协作过滤中。该模型被建模为一个潜在变量，模型从数据中推断出它的值。在此过程中，我们恢复了最成功的一种最先进的艺术方法，作为我们的模型的特殊情况，并提供一种用于在各种形式的曝光协变（例如，文本，地点位置）上的暴露的插件方法。我们证明了我们的可扩展推理算法在四个不同的领域中都优于现有的nchmarks，同时也没有暴露的协变量。