Relevance Feedback
情報推薦には適合性フィードバック(relevance feedback)といって,推薦後のユーザの選択(クリック,閲覧,購入)を反映させて,その人の嗜好にpersonalizedする方法があります.
例えば今でもamazonなどで変な本ばかりを閲覧していると,そんな推薦ばかりされるようになります.(購入に対してしているが閲覧にはしていないかも知れません.)
- ご参考,Amazon.com recommendations: item-to-item collaborative filtering
そんなrelevance feedbackの基本的な技術が
に紹介されています.(私もSBM研究会に参加はしていました.)
Document = Item と考えてください.
紹介されているalgorithmはtoo primitiveですが,その後,これ以上に大きな進歩もないです.ただパラメータや処理タイミングなどは色々検討する必要があります.例えば同じdocumentが複数listingされて一つが選ばれたとしても,negative側にたくさん残っていれば,相殺もしくはそれ以上にnegativeになる可能性があります.従って
- β>γ
にする方が良いかと思います.
- γ=0
でもいいかと思います.また継続性を考えると
- α+β-γ=1
にするのが良いと思います.収束すれば同じだという話もありますが念のため.
あとはquery一回ごとにq_mを最適化するのか?複数のqueryの結果を,一定期間または一定回数束ねて処理するかなどで,結果も少し違うし,Scalabilityも違ってきます.