Collaborative Filtering is largely applied to personalize item recommendation but its performance is affected by the sparsity of rating data. In order to address this issue, recent systems have been developed to improve recommendation by extracting latent factors from the rating matrices, or by exploiting trust relations established among users in social networks. In this work, we are interested in evaluating whether other sources of preference information than ratings and social ties can be used to improve recommendation performance. Specifically, we aim at testing whether the integration of frequently co-occurring interests in information search logs can improve recommendation performance in User-to-User Collaborative Filtering (U2UCF). For this purpose, we propose the Extended Category-based Collaborative Filtering (ECCF) recommender, which enriches category-based user profiles derived from the analysis of rating behavior with data categories that are frequently searched together by people in search sessions. We test our model using a big rating dataset and a log of a largely used search engine to extract the co-occurrence of interests. The experiments show that ECCF outperforms U2UCF and category-based collaborative recommendation in accuracy, MRR, diversity of recommendations and user coverage. Moreover, it outperforms the SVD++ Matrix Factorization algorithm in accuracy and diversity of recommendation lists.

中文翻译：

---

扩展具有共现信息兴趣的基于标签的协作推荐器

协同过滤主要应用于个性化项目推荐，但其性能受到评分数据稀疏性的影响。为了解决这个问题，最近开发的系统通过从评级矩阵中提取潜在因素或利用社交网络中用户之间建立的信任关系来改进推荐。在这项工作中，我们有兴趣评估是否可以使用除评级和社会关系之外的其他偏好信息来源来提高推荐性能。具体来说，我们的目标是测试信息搜索日志中频繁共现兴趣的集成是否可以提高用户到用户协作过滤（U2UCF）中的推荐性能。为此，我们提出了基于扩展类别的协作过滤（ECCF）推荐器，它通过人们在搜索会话中经常一起搜索的数据类别，丰富了从评级行为分析中得出的基于类别的用户配置文件。我们使用一个大的评分数据集和一个广泛使用的搜索引擎的日志来测试我们的模型，以提取兴趣的共同出现。实验表明，ECCF 在准确性、MRR、推荐多样性和用户覆盖率方面优于 U2UCF 和基于类别的协作推荐。此外，它在推荐列表的准确性和多样性方面优于 SVD++ 矩阵分解算法。我们使用一个大的评分数据集和一个广泛使用的搜索引擎的日志来测试我们的模型，以提取兴趣的共同出现。实验表明，ECCF 在准确性、MRR、推荐多样性和用户覆盖率方面优于 U2UCF 和基于类别的协作推荐。此外，它在推荐列表的准确性和多样性方面优于 SVD++ 矩阵分解算法。我们使用一个大的评分数据集和一个广泛使用的搜索引擎的日志来测试我们的模型，以提取兴趣的共同出现。实验表明，ECCF 在准确性、MRR、推荐多样性和用户覆盖率方面优于 U2UCF 和基于类别的协作推荐。此外，它在推荐列表的准确性和多样性方面优于 SVD++ 矩阵分解算法。