《The wisdom of the few》读书笔记

读书笔记"/>

《The wisdom of the few》读书笔记

• 论文名称：
  The wisdom of the few: a collaborative filtering approach based on expert opinions from the web
• published in
  Proceeding
  SIGIR ‘09 Proceedings of the 32nd international ACM SIGIR conference on Research and development in information retrieval
• 文章链接
  the wisdom of the few
• 文章组织架构
  摘要、介绍
  第二节：收集数据
  第三节：描述算法
  第四节：评估基于专家推荐在预测推荐的错误率和TOP-N推荐精度的指标
  第五节：模拟实际推荐过程中随机、用户cf和专家cf的推荐效果
• 方法提出
  user-KNN是常见的协同过滤方法，但是它有以下缺点：
  数据稀疏：用户数量大，物品数量大，有些物品用户不一定会有接触产生评分，则所构成的矩阵存在许多零项；
  数据噪音：用户评分时候很容易受到其他用户评分的影响，无法真实地反馈结果
  冷启动问题：新物品入网时暂时未获得其他用户评分而无法产生推荐；
  可扩展性差：复杂度为 O(m2n) $O(m^2n)$，m为用户数，n为物品数
  为了解决这些问题（或者改善性能），文章提出了expert-KNN方法，主要思想是：用专家的评分来代替用户的评分。
  数据稀疏：相同领域中的物品，专家的评分相对完善
  数据噪音：专家的评分相对客观
  冷启动问题：专家的评分是推荐系统外的数据，新物品入网时不会受到影响
  可扩展性：复杂度为 O(m2n) $O(m^2n)$，专家数比用户数大幅减少
• 数据采集
  user&item from Netflix
  expert from Rotten Tomatoes
  数据预处理：
  通过采集观察到有些专家懒于对物品进行评分，这样的数据不会使我们的方法和user-KNN有太大的差别（在数据稀疏方面），所以要对这种数据进行剔除。
  本文采用了设置一个阈值minimum ratings threshold p