​📄Causal Inference for Recommender Systems
✍️Yixin Wang, Dawen Liang et. al.
⌛️2020

🌀Традиционная постановка задачи в рекомендациях – предсказать рейтинг данного айтема для данного пользователя. Пользуясь этим подходом, мы рискуем рекомендовать айтемы, которые не принесут реального прироста: например, можно рекомендовать любителю супергероев Marvel, но зачем? Пользователь и так их посмотрит. Идеально было бы порекомендовать фильм, который понравится пользователю, но при этом он вряд ли посмотрит этот фильм без рекомендера. Такое обещает causal recommender.

#разбор_статей

Data Secrets

📝Leveraging Distribution Alignment via Stein Path for Cross-Domain Cold-Start Recommendation

Сегодня разбираем статью с NeurIPS: крупнейшей конференции по ML 🤓

Представь, что ты знаешь, какие фильмы (горячие айтемы) предпочитает пользователь, и на основе этого хочешь порекомендовать ему книги (холодные айтемы). При этом о книжных предпочтениях пользователя ничего не известно. Эту проблему называют проблемой холодного старта 🧊

Авторы предлагают решение на основе использования контентной и коллаборативной информации о горячих айтемах. Также предлагается вариация поиска пути Штейна, применение которого существенно снижает временную сложность🏃

Прочитать статью полностью можно здесь.

#разбор_статей

Data Secrets