Modelos de variáveis latentes bayesianas para previsão de classificação colaborativa

Sistemas de filtragem colaborativa baseados em classificações facilitam para os usuários encontrar conteúdo de interesse na Web e, como tal, constituem uma área de muita pesquisa. Neste artigo, apresentamos primeiro um modelo de variável latente bayesiana para previsão de classificações que modela as classificações sobre os interesses latentes de cada usuário e também sobre os tópicos latentes de cada item. Descrevemos um procedimento de amostragem de Gibbs que pode ser utilizado para estimar seus parâmetros e mostramos por experimento que ele é competitivo com os métodos SVD de descida de gradiente comumente usados em sistemas de ponta. Em seguida, fazemos uma extensão importante e nova a este modelo, aprimorando-o com vieses dependentes do usuário e do item para melhorar significativamente a estimativa de classificação. Mostramos por experimento em um grande conjunto de dados de classificações reais que esses modelos são capazes de superar 3 linhas de base comuns, incluindo um modelo SVD baseado muito competitivo e moderno. Além disso, ilustramos outras vantagens da nossa abordagem além de simplesmente sua capacidade de fornecer classificações mais precisas e mostramos que ela é capaz de ter um desempenho melhor no caso comum e importante em que o perfil do usuário é curto.