Published: 2007

Abstract

• Recommendation Systems ถูกใช้งานในการทำ Personalized Services เยอะขึ้นเรื่อยๆ
• เทคนิคที่มักจะใช้บ่อยคือ Collaborative filtering และ naive Bayesian classification
• ซึ่งสองเทคนิคนี้ก็มีปัญหาหลายอย่าง เช่น cold-start, หรือ เรื่องของความช้าในการ adapt ตามความชอบของ user
• ปัญหาเหล่านี้ สามารถแก้ได้ ด้วยการที่ให้ user แก้ไข profile ของ user เอง
  • ใน Paper เสนอ extensions ของ naive Bayes โดยทำให้ user สามารถควบคุมผลลัพธ์ได้ จากการ integrate profile 2 แบบ ของ user
    • แบบแรกคือ profile ที่เรียนรู้จาก rating feedback
    • แบบที่สองคือ profile ที่ user เป็นคนสร้างขึ้นมาเอง

Introduction

• Positive-negative classification
• A range of like-defrees
• Typically slow, because users need to rate a considerable number of items before recommender can make sensible suggestions
  • Lead to cold-start problem, and slow adaptability of the recommender
• Quick fix: Setting up a rating session first!
  • Unacceptable, and not elegant way to deal with

Naive Bayesian Classification

• P(B

  A) = P(A

  B) * P(B) / P(A)

• Laplace corrections/Laplace smoothing - to prevent "zero frequency problem"
• Imbalance data? -> cost-based approach
• Missing features? -> calculate based on only valid value.

Like-degree

• r = P(+

  x) / P(-

  x) –> [1, inf)

• l = r / 1-r –> [0,1]

2 profile

• l^1 = learned profile
• l^u = user-defined profile

Integrated

• l^int = alpha l^1 * (1-alpha) l^u
• alpha = [0,1]
• Nmin = min(N(i, -), N(i, +))
• set minimum threshold alpha(i) = min(1, L-Nmin / L-K)

Pruning history

Multi-value pair