【.com原稿】2010年以来，推荐系统领域出现了很多不同的排序学习方法。所谓排名学习，是指推荐系统的机器学习算法优化后的指标是推荐给用户的物品的排名，而不是具体的分数。排序学习解决问题的思路一般是先在信息检索领域提出一个需要优化的指标，然后对其进行优化。因为这个指标通常是不光滑的，所以首先需要对这个指标进行近似，使其成为一个光滑的函数。不同的信息检索指标产生不同的算法。本文要介绍的算法叫做CollaborativeLessisMoreFiltering(CLimF)，发表于2013年人工智能权威会议IJCAI。CLimF优化的信息检索指标称为ReciprocalRank（RR），指的是推荐给用户的item列表中第一个被点击的item的排名的倒数。比如系统给用户推荐了10部电影，用户点击的第一部电影就是系统排名第二的电影，那么系统用RR来衡量，分数为1/2。因为向用户推荐的项目列表是按照推荐系统给出的评分从高到低排序的，排名越高，推荐系统越有利。因此，用户点击的商品排名越高，推荐效果越好。这就是RR指标设计的初衷。CLimF试用场景是推荐给用户的item不多，但是比较有价值。例如，社交网络中朋友和邻居的推荐。在这种情况下，Top3或Top5的推荐通常更有价值。RR的形式化定义如下：虽然我们最终得到的公式是一个光滑函数，但其??复杂度极高，因此在实际应用中，需要寻找替代公式。***我们通过随机梯度下降求解优化函数。CLiMF函数与其他算法的评价效果如下：CLiMF与其他算法的比较：CofiRank：CofiRank是第一个将排序学习应用到推荐系统中的算法。其优化指标为NDCG，不适用于贝叶斯分类问题。个性化排序：需要负样本，CLiMF 只需要正样本网易、豆瓣等公司有多年的研发和技术管理经验，擅长机器学习、大数据、推荐系统、社交网络分析和其他技术。在TVCG、ASONAM等国际会议和期刊发表论文10篇。本科毕业论文获得IEEESMI2008国际会议最佳论文奖。【原创稿件，合作网站转载请注明原作者及出处.com】
