基于协同过滤器的推荐系统的交叉验证

如何解决基于协同过滤器的推荐系统的交叉验证

我正在尝试为家具电子商务实施协同过滤器（想想wayfair）。我需要一些有关交叉验证策略的指导。

情况： 我正在研究与客户购买家具有关的虚构数据集。假设客户一次购买家具和相关物品。 “一次”，因为他们大多是在家具坏了或因为需求发生变化（孩子长大等）而需要更换时购买它们。因此，典型的购买周期在 6 到 9 年之间。此外，“相关物品”是指他们会购买相关物品，例如床垫、床单和床。

当客户第一次访问家具店网站时（定义为“新客户”），他们会根据他们在家具中寻找的东西来表明他们的偏好：尺寸、处理方式等等。这样做是为了避免推荐系统中的“冷启动问题。”。

以下是数据集的样子：

我的目标是为每个访问网站的新客户推荐产品，由于上述购买周期，这种情况每 6 到 9 年发生一次。为新客户预测合适的产品将有助于缩短销售周期并可能提高客户满意度。

问题是我应该如何将数据集拆分为测试和验证？

我通读了 Splitting in Recommender System、https://datascience.stackexchange.com/questions/6814/how-to-split-train-test-in-recommender-systems 和 https://arxiv.org/pdf/2007.13237.pdf。

阅读上述资料后，我认为实际上，我有三种选择，以下是我对每种选择的看法：

1) 为每个客户分离最近的 k 笔交易以进行测试： 这可能会遇到数据泄漏问题，即对于某些客户，我可能在训练集中拥有 2011 年至 2020 年的数据，但对于其他客户，我可能拥有 2016 年至 2019 年的数据。我可能已经知道在 Covid 期间(2020)，办公桌风靡一时。所以，我会自动向拥有 2019 年之前训练数据的用户推荐这个。我认为这将被视为作弊。

2) Holdout：混洗，然后分离最后 k 个交易进行测试： 时机很重要。所以，这可能行不通，因为我可能会使用未来的交易来预测过去的某些事情，这没有任何意义。

3) 随机选择 k 个客户进行测试，然后使用剩余客户进行训练： 我非常喜欢这种方法，因为我的目标是为新客户预测产品推荐。我不会有冷启动问题，因为客户会提供偏好，我将能够使用来自培训客户的偏好来匹配（使用协作过滤器）新客户的偏好。但是，我不太确定培训客户的偏好是否会代表新客户。

我在正确的轨道上吗？