With the explosive growth of web resources, an increasingly important task in recommender systems is to provide high-quality personalized services by learning users’ preferences from historically observed information. As an effective preference learning technology, collaborative filtering has been widely extended to model the one-class or implicit feedback data, which is known as one-class collaborative filtering (OCCF). For a long time, pairwise ranking-oriented learning scheme has been viewed as a superior solution than the pointwise scheme for OCCF due to its higher accuracy in most cases. However, we argue that with appropriate model design, pointwise preference learning can achieve comparable or even better performance than the counterpart, i.e., pairwise preference learning. In particular, we propose a new preference assumption, i.e., pointwise preference on user/item-set. Based on this new assumption, we develop a novel, simple, and flexible solution called collaborative filtering via pointwise preference learning on user/item-set (CoFi-points). Furthermore, we derive two specific algorithms of CoFi-points with respect to the involved user-set and item-set, i.e., CoFi-points(u) and CoFi-points(i), referring to preference assumptions defined on user-set and item-set, respectively. Finally, we conduct extensive empirical studies on four real-world datasets with the state-of-the-art methods, and find that our solution can achieve very promising performance with respect to several ranking-oriented evaluation metrics.

中文翻译：

---

CoFi点

随着网络资源的爆炸式增长，推荐系统中越来越重要的任务是通过从历史观察到的信息中学习用户的偏好来提供高质量的个性化服务。作为一种有效的偏好学习技术，协同过滤已被广泛扩展到对一类或隐式反馈数据进行建模，即一类协同过滤（OCCF）。长期以来，基于成对排序的学习方案被视为优于 OCCF 的逐点方案的解决方案，因为它在大多数情况下具有更高的准确性。然而，我们认为，通过适当的模型设计，逐点偏好学习可以达到与对应物（即成对偏好学习）相当甚至更好的性能。特别是，我们提出了一个新的偏好假设，即 用户/项目集的逐点偏好。基于这一新假设，我们通过对用户/项目集（CoFi 点）的逐点偏好学习开发了一种称为协同过滤的新颖、简单且灵活的解决方案。此外，我们针对所涉及的用户集和项目集推导出了两个特定的 CoFi 点算法，即 CoFi-points(u) 和 CoFi-points(i)，参考了在 user-set 和 item-set 上定义的偏好假设。项集，分别。最后，我们使用最先进的方法对四个真实世界的数据集进行了广泛的实证研究，发现我们的解决方案可以在几个面向排名的评估指标方面取得非常有希望的性能。通过对用户/项目集（CoFi-points）的逐点偏好学习，称为协同过滤的灵活解决方案。此外，我们针对所涉及的用户集和项目集推导出了两个特定的 CoFi 点算法，即 CoFi-points(u) 和 CoFi-points(i)，参考了在 user-set 和 item-set 上定义的偏好假设。项集，分别。最后，我们使用最先进的方法对四个真实世界的数据集进行了广泛的实证研究，发现我们的解决方案可以在几个面向排名的评估指标方面取得非常有希望的性能。通过对用户/项目集（CoFi-points）的逐点偏好学习，称为协同过滤的灵活解决方案。此外，我们针对所涉及的用户集和项目集推导出了两个特定的 CoFi 点算法，即 CoFi-points(u) 和 CoFi-points(i)，参考了在 user-set 和 item-set 上定义的偏好假设。项集，分别。最后，我们使用最先进的方法对四个真实世界的数据集进行了广泛的实证研究，发现我们的解决方案可以在几个面向排名的评估指标方面取得非常有希望的性能。分别指在用户集和项目集上定义的偏好假设。最后，我们使用最先进的方法对四个真实世界的数据集进行了广泛的实证研究，发现我们的解决方案可以在几个面向排名的评估指标方面取得非常有希望的性能。分别指在用户集和项目集上定义的偏好假设。最后，我们使用最先进的方法对四个真实世界的数据集进行了广泛的实证研究，发现我们的解决方案可以在几个面向排名的评估指标方面取得非常有希望的性能。