一种负载均衡的推荐方法
信息检索
2021-05-24 v1
摘要
推荐系统（RSs）是为缓解信息过载问题而开发的软件工具和算法，信息过载会使用户难以做出正确决策。解决推荐问题的两个主要范式是协同过滤和基于内容的过滤，它们试图利用可用的评分和内容来推荐最佳物品。这些方法通常面临冷启动、多样性、可扩展性和巨大计算开销等著名问题。我们认为，由于计算复杂性和不可解释性，深度学习和强化学习方法的采用也值得质疑。在本文中，我们从一个新的角度处理推荐问题。我们从无线传感器网络中的簇头选择算法借鉴思路，并将其适配到推荐问题。具体而言，我们提出了负载均衡推荐系统（LBRS），它使用一种概率方案进行物品推荐。此外，我们在推荐过程中考虑了物品的重要性，这显著提高了推荐准确性。我们还引入了一种考虑物品间异质性的方法，以平衡相似性与多样性的权衡。最后，我们提出了一种新的多样性度量，它强调多样性不仅从列表内视角，而且从列表间视角的重要性。通过在 RecSim 上进行的仿真实验，我们表明 LBRS 是有效的，并且可以优于基线方法。
引用
@article{arxiv.2105.09981,
title = {A Load Balanced Recommendation Approach},
author = {Mehdi Afsar and Trafford Crump and Behrouz Far},
journal= {arXiv preprint arXiv:2105.09981},
year = {2021}
}