Cold Start revisited: A deep hybrid recommender with cold-warm item harmonization

Oren Barkan, Roy Hirsch, Ori Katz, Avi Caciularu, Yoni Weill, Noam Koenigstein

פרסום מחקרי: פרסום בכתב עתמאמר מכנסביקורת עמיתים


Collaborative filtering-based recommender systems are known to suffer from the item cold-start problem. Most recent attempts to mitigate this problem presented parametric approaches, such as deep content based models. In this paper, we show that a straightforward application of parametric models may lead to discrepancies between the cold and warm items' distributions in the CF space. As a remedy, we propose to combine parametric with non-parametric estimation for robust cold item placement. Extensive evaluation indicates that our method is competitive with other baselines, while producing cold items placement that better resembles the distribution of warm items in the collaborative filtering space.

שפה מקוריתאנגלית
עמודים (מ-עד)3260-3264
מספר עמודים5
כתב עתProceedings - ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing
מזהי עצם דיגיטלי (DOIs)
סטטוס פרסוםפורסם - 2021
פורסם באופן חיצוניכן
אירוע2021 IEEE International Conference on Acoustics, Speech, and Signal Processing, ICASSP 2021 - Virtual, Toronto, קנדה
משך הזמן: 6 יוני 202111 יוני 2021

הערה ביבליוגרפית

Publisher Copyright:
© 2021 IEEE

טביעת אצבע

להלן מוצגים תחומי המחקר של הפרסום 'Cold Start revisited: A deep hybrid recommender with cold-warm item harmonization'. יחד הם יוצרים טביעת אצבע ייחודית.

פורמט ציטוט ביבליוגרפי