协同过滤的算法选择：图元特征与多准则元目标的影响

为新问题选择最佳算法是一项昂贵且困难的任务。然而，存在解决此问题的自动化方案：利用 Metalearning（元学习），其借助问题特征（即元特征）来预测算法的相对性能。在协同过滤领域，近期工作提出了描述该问题多个维度的多样化元特征。尽管有有趣且有效的发现，仍不清楚这些是否是最有效的元特征。因此，本工作提出了一组新的图元特征，从图论视角切入协同过滤问题。此外，为理解多维度元特征是否更合适，我们研究了综合元特征的影响。这些元特征是从现有所有协同过滤元特征中筛选出的佼佼者。最具代表性的元特征之影响在一个受控实验设置中得以考察。我们给出的另一贡献是使用 Pareto-Efficient（帕累托高效）排序过程来创建多准则元目标。这些考虑了多种评估度量的算法新排序，得以以更公平、更细致的方式探索算法选择问题。实验结果表明，图元特征是相关工作中元特征的良好替代。然而，结果也显示用于创建综合元特征的特征选择过程并不有效，因为预测性能并无提升。最后，进行了广泛的元知识分析以识别最具影响的元特征。