一种利用学习的 Beta 分布对推荐置信度建模的轻量方法
信息检索
2023-08-08 v1 机器学习
摘要
大多数推荐系统 (RecSys) 不提供对其决策置信度的指示。因此，它们无法区分确定无疑的推荐与不确定时的推荐。现有的 RecSys 置信度方法要么是精度不高的启发式方法，要么概念复杂，要么计算开销极大。因此，现实世界的 RecSys 应用很少采用这些方法，从而在其行为中未提供任何置信度洞察。在本文中，我们提出学习的 beta 分布 (LBD) 作为一种简单实用的推荐方法，带有显式的置信度度量。我们的核心见解是，beta 分布将用户偏好预测为概率分布，可在闭区间上自然建模置信度，且能以极小的模型复杂度实现。我们的结果表明，LBD 在保持与现有方法相当精度的同时，其精度与置信度之间具有显著更强的相关性。此外，当应用于高精度定向推荐任务时，LBD 具有更高的性能。因此，我们的工作表明，RecSys 中的置信度无需牺牲简洁性或准确性，也无需引入沉重的计算复杂性即可实现。由此，我们希望它能实现对现实世界 RecSys 更好的洞察，并为新颖的未来应用打开大门。
引用
@article{arxiv.2308.03186,
title = {A Lightweight Method for Modeling Confidence in Recommendations with Learned Beta Distributions},
author = {Norman Knyazev and Harrie Oosterhuis},
journal= {arXiv preprint arXiv:2308.03186},
year = {2023}
}
备注
In Proceedings of the 17th ACM Conference on Recommender Systems (RecSys '23), September 18-22, 2023, Singapore, Singapore. ACM, New York, NY, USA, 12 pages