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．
