Key points are not available for this paper at this time.
Der Netflix Prize (NP) Wettbewerb lenkte viel Aufmerksamkeit auf kollaborative Filteransätze (CF). Matrixfaktorierungsbasierte CF-Ansätze weisen Benutzern und Artikeln nieder-dimensionale Merkmalsvektoren zu. Wir verbinden CF und inhaltsbasierte Filterung (CBF), indem wir eine lineare Transformation finden, die Benutzer- oder Artikelbeschreibungen so transformiert, dass sie den durch MF für CF generierten Merkmalsvektoren möglichst nahe kommen. Wir schlagen Methoden für explizites Feedback vor, die in der Lage sind, 140.000 Merkmale zu verarbeiten, wenn die Merkmalsvektoren sehr spärlich sind. Mit den Filmdaten, die für die NP-Filme gesammelt wurden, zeigen wir, dass die Vorhersageleistung der Methoden mit der von CF vergleichbar ist und verwendet werden kann, um Benutzerpräferenzen für neue Filme vorherzusagen. Wir untersuchen auch den Wert von Filmdaten im Vergleich zu Film-Bewertungen hinsichtlich der Vorhersagekraft. Wir vergleichen unseren ausschließlich CBF-Ansatz mit einem einfachen Basislinien bewertungsbasierten Prädiktor. Wir zeigen, dass selbst 10 Bewertungen eines neuen Films wertvoller sind als seine Metadaten zur Vorhersage von Benutzerbewertungen.
Pilászy et al. (Fr,) untersuchten diese Frage.