一种权衡准确性、新颖性与覆盖度的通用Top-N推荐框架
信息检索
2018-03-02 v1
摘要
用于Top-N推荐的标准协同过滤方法偏向流行物品。因此,它们推荐用户可能已知晓的物品,并且对长尾物品的表征不足。这既不能满足偏好新颖物品的消费者,也因集中于流行物品而难以覆盖物品空间,而高物品空间覆盖度可提升提供方收益。我们提出一种基于历史评分数据学习用户长尾新颖性偏好的方法。将这些偏好整合进一个通用重排序框架,以定制准确性与覆盖度间的平衡。我们经实证验证所提框架增加了推荐的新颖性。此外,通过将长尾物品推给合适的用户群体,我们在可扩展地保持准确性的同时显著提升了系统覆盖度。我们的框架还能使现有的非个性化算法个性化,使其在准确性与覆盖度等关键性能指标上可与现有个性化算法竞争。
引用
@article{arxiv.1803.00146,
title = {A Generic Top-N Recommendation Framework For Trading-off Accuracy, Novelty, and Coverage},
author = {Zainab Zolaktaf and Reza Babanezhad and Rachel Pottinger},
journal= {arXiv preprint arXiv:1803.00146},
year = {2018}
}
备注
Full version - ICDE 2018