超级

HyPER:一个灵活可扩展的混合推荐系统的概率框架。随着记录的数字信息量的增加,对灵活的推荐系统的需求也越来越大,这些系统可以合并结构丰富的数据源来改进推荐。在本文中,我们展示了如何使用最近引入的统计关系学习框架来开发一个通用且可扩展的混合推荐系统。我们的混合方法HyPER(hybrid probability Extensible Extensible Recommender),包含了广泛的信息源并进行了推理。此类来源包括多用户用户和项目项相似性度量、内容和社交信息。超级自动学习平衡这些不同的信息信号时作出预测。我们使用一种强大而直观的概率编程语言概率软逻辑来构建我们的系统,该语言通过使用一种称为铰链损失马尔可夫随机场的可扩展图形模型来构建我们的定制推荐系统,从而实现高效和准确的预测。我们在两个流行的推荐数据集上实验性地评估了我们的方法,结果表明HyPER可以有效地组合多种信息类型以提高性能,并且可以优于现有的方法。