Not logged in.

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Two-Class Collaborative Filtering Problems
Organization Unit
Authors
  • Thilo Haas
Supervisors
  • Bibek Paudel
  • Abraham Bernstein
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date August 2016
Abstract Text We study Two-Class Collaborative Filtering (TCCF) problems with positive and negative class prediction. Our goal is to distinguish between positive and negative samples by predicting positive samples at the top and negative samples at the bottom of a personalized ranking list. Based on Bayesian Personalized Ranking Matrix Factorization (BPRMF) from Rendle et al. (2012) and Logistic MF from Johnson (2014), we introduce different new models to address TCCF problems. We evaluate our models on MovieLens 100K/1M, Slashdot-Zoo and Book Crossing datasets and compare the results with an evaluation of BPRMF, Logistic MF, SGDReg (Levy and Jack, 2013) and GAUC-OPT (Song and Meyer, 2015). With our models we outperform Logistic MF, BPRMF and GAUC-OPT on either AUC, Hit-Rate@10, Precision@20 and their respective negative evaluation metrics. However all our evaluation results are surpassed by SGDReg, which excels in most evaluation metrics on the examined datasets.
Zusammenfassung Wir untersuchen Zwei-Klassen kollaborative Filter-Probleme mit positiver und negativer Klassen-Prognose. Unser Ziel ist die Erstellung von personalisierten Empfehlungslisten, wobei erwünschte Artikel zuoberst und unerwünschte Artikel zuunterst auf der Liste eingeordnet werden sollen. Basierend auf Bayesian Personalized Ranking Matrix Factorization (BPRMF) von Rendle et al. (2012) und Logistic MF von Johnson (2014), präsentieren wir neue Methoden zur Lösung von Zwei-Klassen kollaborativen Filter-Problemen. Wir evaluieren unsere Methoden anhand der folgenden vier Datensätze: MovieLens 100K/1M, Slashdot-Zoo und Book Crossing. Wir vergleichen unsere Resultate mit den bestehenden Methoden BPRMF, Logistic MF, SGDReg (Levy and Jack, 2013) und GAUC-OPT (Song and Meyer, 2015). Mit unseren Methoden übertreffen wir die bestehenden Methoden Logistic MF, BPRMF und GAUC-OPT in jeweils mindestens einem der folgenden Messwerte: AUC, Hit-Rate@10, Precision@20 und dem jeweiligen negativen Messwert. Dennoch werden alle unsere Methoden durch SGDReg übertroffen, welches in fast allen Messwerten und fast allen Datensätzen ausgezeichnete Resultate liefert.
PDF File Download
Export BibTeX