WR-MF

概述

Weighted Regularized Matrix Factorization，Hu et al. (2008) 提出的处理隐式反馈的矩阵分解方法，在BPR论文中作为重要的对比基线方法，通过为未交互物品分配较低但非零的置信度来处理隐式反馈。

关键内容

1. 设计思想：针对隐式反馈数据中缺失值问题，WR-MF 不像传统方法那样将未交互物品标记为0（负样本），而是为它们分配较低但非零的置信度，试图在 pointwise 层面优化模型。

2. 优化策略：采用加权正则化的矩阵分解方法，对观测到的交互（正样本）赋予较高权重，对未观测到的交互（潜在负样本）赋予较低权重，但仍参与优化过程。

3. 与 BPR 的对比：虽然 WR-MF 针对隐式反馈设计，但仍在 pointwise 层面进行优化，即逐个预测用户对物品的偏好分数。相比之下，BPR 采用 pairwise 优化准则，直接学习物品间的相对排序关系。

4. 实验结果：BPR 论文实验表明，尽管 WR-MF 针对隐式反馈进行了专门设计，但其排序性能（AUC指标）仍不如使用 pairwise 优化的 BPR-MF，验证了优化准则对预测质量的重要性。

5. 历史意义：作为从显式反馈矩阵分解向隐式反馈推荐过渡的重要方法之一，WR-MF 体现了业界对隐式反馈处理的早期探索，但其 pointwise 优化范式被后续的 pairwise（BPR）和 listwise 方法所超越。

来源

• BPR 论文 — Rendle et al. (2009) UAI，WR-MF 作为重要对比方法
• Hu, Yifan, et al. (2008). Collaborative Filtering for Implicit Feedback Datasets. ICDM 2008

相关

• 隐式反馈 — relates_to
• 矩阵分解 — extends
• BPR — compares_to
• Pointwise 学习 — implements
• Hu Yifan — part_of