一种带高效算法的推荐系统级多样性新度量
信息检索
2019-08-28 v2
摘要
推荐系统通常在按类型聚类的物品目录上运行，并且用户群按人口统计或心理特征属性自然聚为用户类型。先前关于系统级多样性的工作主要集中于在此类类别间定义意图感知度量并最大化所得推荐的相关性，但未能从物品和用户的双重视角结合多样性的概念。在本工作中，（1）我们引入两种新的系统级多样性度量，以同时解决以下的问题：使每个用户看到的物品类别多样化、使每个物品展示的用户类型多样化，以及保持高推荐质量。我们将其建模为用户与物品之间候选推荐二部图上的子图选择问题。（2）在物品类别与用户类型不相交的情况下，我们表明所得问题可通过归约为最小费用流问题在多项式时间内精确求解。（3）在类别与类型非不相交的情况下，我们证明了目标的NP完全性，并利用目标函数的子模性给出高效近似算法。（4）最后，我们在MovieLens-1m和Netflix数据集上验证了算法的有效性，并表明为我们目标设计的算法在销售多样性度量乃至某些意图感知多样性度量上也表现良好。我们的实验结果证明了新复合多样性度量的有效性。
引用
@article{arxiv.1812.03030,
title = {A new system-wide diversity measure for recommendations with efficient algorithms},
author = {Arda Antikacioglu and Tanvi Bajpai and R. Ravi},
journal= {arXiv preprint arXiv:1812.03030},
year = {2019}
}
备注
20 pages, 4 figures