Інтеграція контентних ознак при ініціалізації латентних факторів в системах персоналізованих рекомендацій

Abstract

В роботі розглянуто підхід до вдосконалення матричної факторизації шляхом інтеграції контентних ознак під час ініціалізації латентних факторів. Проаналізовано обмеження стандартного методу SVD, зокрема проблему «холодного старту», та запропоновано інтеграцію контентної та контекстної моделей, що об’єднує факторизацію та векторизацію контентних характеристик. Показано, що використання методу TF-IDF як початкової параметризації дозволяє покращити якість прогнозування та прискорити збіжність процедури навчання.

The study examines an approach to improving matrix factorization by integrating content-based features during the initialization of latent factors. The limitations of the standard SVD method, particularly the “cold start” problem, are analyzed, and an integration of content-based and context-based models is proposed, combining factorization with vectorization of content characteristics. It is shown that using the TF-IDF method for initial parameterization enhances prediction accuracy and accelerates the convergence of the training procedure.