【.com原稿】推荐系统是一个发展了几十年的技术系统，广泛应用于电子商务、新闻APP、流媒体和其他领域。推荐系统的技术脉络多种多样，从准确率等主流技术指标的提升和优化，到近年来流行的基于公平的推荐，吸引了成千上万的研究者和从业者。推荐系统的一个非常重要的子领域是基于场景的推荐。基于场景的推荐，顾名思义，就是利用用户场景的信息，辅助向用户推荐感兴趣的项目。一些知名公司，如汉堡王，已经在他们的服务中加入了基于场景的推荐。基于场景的推荐有很多技术，但它们还没有形成一个主要的进化背景。比较著名的基于场景的推荐思想有线性模型和张量分解。但是线性模型不利于处理复杂的关系，而且张量分解本身会消耗大量的存储空间，可以优化的东西也很多。在2021年的国际学术会议ICISCAE2021上，有学者发表了题为MatMat:MatrixFactorizationbyMatrixFitting的论文。提出了一种矩阵拟合的方法来逼近包含场景信息的评分矩阵。首先，作者回顾一下基于矩阵分解的推荐系统的框架：我们可以观察到，矩阵分解的本质其实就是通过向量的点乘来拟合标量值。如果我们概括一下矩阵分解的算法框架，用矩阵乘法代替向量的点乘，用矩阵代替标量进行拟合。我们会得到MatMat框架：矩阵的每个元素都是一个矩阵，矩阵元素的对角线对应原始矩阵分解框架的标量值，矩阵对角线以外的元素是场景信息。基于场景的推荐系统研究的难点之一是如何获取开放数据集。由于场景信息本身难以获取，可用的数据采集显得尤为珍贵。难能可贵的是，国外大学发布了一个名为LDOS-CoMoDa的数据集，其中包含了大量的观影场景信息，使得研究基于场景的推荐系统成为可能。在2021年12月召开的国际学术会议ICCC上，有学者利用LDOS-CoMoDa数据集和MatMat算法框架，提出了电影推荐算法MovieMat和MovieMat+。MovieMat算法设置的用户评分矩阵如下：MovieMat+算法设置的用户评分矩阵如下：作者随后使用LDOS-CoMoDa数据集进行实验，对比了MovieMatv.s经典矩阵分解与MovieMat+v.sclassic矩阵分解的结果。实验比较了MAE和马太效应度这两个指标。其中，MAE是指MeanAbsoluteError，用于衡量评分预测的准确性；和马太效应度用来衡量算法的公平性。实验结果如下：根据观察，我们发现MovieMat和MovieMat+在评价数据上的表现都优于经典的矩阵分解模型，最优MAE在0.6-0.7。MovieMat和MovieMat+都是基于MatMat框架的电影推荐系统。MovieMat和MovieMat+都优于没有场景信息的推荐系统，是非常有前途的技术。在下一代影院中，如果影院能够利用传感器和人脸识别算法来记录用户场景信息，将有效增加影院行业的利润，而MovieMat和MovieMat+将在这一波技术革新中大放异彩。参考地址：1.MatMat:MatrixFactorizationbyMatrixFitting2.MovieMat:Context-awareMovieRecommendationwithMatrixFactorizationbyMatrixFitting【原创稿件、合作站点，转.com转载请注明原作者和出处】
