超越静态校准：用户偏好动态对校准推荐的影响

在推荐系统中，校准是确保用户偏好类别分布与系统生成的推荐分布一致的重要性能准则。标准方法通常假设用户偏好轮廓是静态的， 并以用户交互的完整历史（包括可能已过时和陈旧的偏好类别）来衡量校准。我们推测，这种方法可能导致虽然看起来已校准， 却实际扭曲用户真实偏好的推荐。在本文中， 我们在更细粒度层面进行了关于演化用户偏好下推荐校准的初步调查。通过分析从最近的交互到最旧的交互的不同大小的训练时间窗口， 我们识别出优化校准指标的最相关偏好片段。我们对来自不同领域且具有不同特征的用户交互数据的进行探索性分析。我们展示了用户偏好演化如何影响推荐校准， 以及这种效应如何因特定领域数据特征的不同而呈现不同。在论文中， 数据、代码以及更详细的实验结果均可用于：https://github.com/nicolelin13/DynamicCalibrationUMAP。