Relevance Models for Collaborative Filtering
Jun Wang · Centrum Wiskunde & Informatica (CWI), the national research institute for mathematics and computer science in the Netherlands · 2008
Collaborative filtering is the common technique of predicting the interests of a user by collecting preference information from many users.Although it is generally regarded as a key information retrieval technique, its relation to the existing information retrieval theory is unclear.This thesis shows how the development of collaborative filtering can gain many benefits from information retrieval theories and models.It brings the notion of relevance into collaborative filtering and develops several relevance models for collaborative filtering.Besides dealing with user profiles that are obtained by explicitly asking users to rate information items, the relevance models can also cope with the situations where user profiles are implicitly supplied by observing user interactions with a system.Experimental results complement the theoretical insights with improved recommendation accuracy for both item relevance ranking and user rating prediction.Furthermore, the approaches are more than just analogy: our derivations of the unified relevance model show that popular user-based and item-based approaches represent only a partial view of the problem, whereas a unified view that brings these partial views together gives better insights into their relative importance and how retrieval can benefit from their combination.vii SamenvattingCollaborative filtering is een bekende techniek om de interesses van een gebruiker te voorspellen aan de hand van gegevens over de voorkeuren van een grote groep gebruikers.De relatie tussen collaborative filtering en de algemeen geaccepteerde theorie voor information retrieval is echter grotendeels onbekend.Dit proefschrift toont aan dat information retrieval modellen een grote bijdrage kunnen leveren aan de ontwikkeling van collaborative filtering.Het introduceert het begrip relevantie in collaborative filtering, en ontwikkelt vervolgens een reeks modellen voor dit relevantiebegrip.Naast gebruikersprofielen gebaseerd op expliciete voorkeursinformatie, verkregen door gebruikers te vragen objecten te beoordelen, kunnen deze modellen ook gebruik maken van impliciete indicatoren van relevantie op basis van waarnemingen over de interactie van gebruikers met objecten.Behalve theoretische inzichten, wijzen de experimentele resultaten uit dat deze modellen de gebruikersinteresse nauwkeuriger voorspellen, alsmede relevantere objecten aanbevelen.Bovendien blijkt uit de afleidingen in het proefschrift dat collaborative filtering met information retrieval theorie niet slechts een mooie metafoor is.De reeds bekende gebruikersen objectbenaderingen van collaborative filtering blijken slechts een deel van het probleem te beschrijven, terwijl een verenigde kijk op beide deelbenaderingen een beter inzicht geeft in hun relatieve belang en hoe retrieval kan profiteren van hun combinatie.