对抗过滤气泡：基于加权超图嵌入学习的多样化音乐推荐
信息检索
2024-02-27 v1 机器学习
摘要
推荐系统对用户具有双重目的：筛选出不适当或不匹配的信息，同时准确识别符合其偏好的物品。许多推荐算法旨在为用户提供量身定制的个性化信息阵列。然而，过度的个性化会将用户禁锢在“过滤气泡”中。因此，在推荐的准确性和多样性之间取得适当平衡是一个紧迫的问题。为解决这一挑战，以音乐推荐为例，我们引入了多样化加权超图音乐推荐算法（DWHRec）。在 DWHRec 算法中，用户与收听曲目之间的初始连接由加权超图表示。同时，艺术家、专辑和标签与曲目之间的关联也被添加到超图中。为了探索用户的潜在偏好，将基于超图的随机游走嵌入方法应用于构建的超图。在我们的研究中，准确性通过用户与曲目之间的一致性来衡量，而推荐曲目类型的阵列则衡量多样性。我们使用两个真实世界的音乐数据集，将 DWHRec 与七种最先进的推荐算法进行了严格比较。实验结果验证了 DWHRec 是一种能够有效协调准确性和多样性的解决方案，提供了更丰富的音乐体验。除了音乐推荐，DWHRec 还可以扩展到其他具有类似数据结构的情景中。
引用
@article{arxiv.2402.16299,
title = {Against Filter Bubbles: Diversified Music Recommendation via Weighted Hypergraph Embedding Learning},
author = {Chaoguang Luo and Liuying Wen and Yong Qin and Liangwei Yang and Zhineng Hu and Philip S. Yu},
journal= {arXiv preprint arXiv:2402.16299},
year = {2024}
}