打破过滤气泡：在大学课程推荐系统中设计意外发现性

基于协同过滤的算法，包括循环神经网络（RNN），倾向于预测过去观测行为的延续。在推荐场景中，这可能导致建议集合过于狭窄、缺乏意外发现性，并无意中将用户置于所谓的“过滤气泡”中。在本文中，我们在一个公立大学生产环境中的课程推荐系统背景下探讨过滤气泡问题。美国大多数大学鼓励学生在探索发展兴趣的同时，建议他们遵循使其朝向毕业推进的选课规范。这些相互竞争的目标以及涉及学生的利害关系，使该场景成为研究真实世界推荐策略特别有意义的背景。我们引入对skip-gram模型的新颖改进，应用于九年的历史选课序列，以学习课程向量表示，并基于与学生指定最喜爱课程的相似性来多样化推荐。该模型我们称为multifactor2vec，旨在通过同时学习token潜在混淆因素（如授课教师）的嵌入来改进主token嵌入的语义。我们的离线测试发现，该模型在我们的课程相似度和类比验证集上相比标准skip-gram提升了准确率和召回率。纳入课程目录描述文本带来了进一步改进。我们将这些模型的性能与系统现有的基于RNN的推荐通过一项本科生用户研究（N = 70）进行比较，用户对课程推荐的六个特征进行评分。用户研究结果显示RNN推荐的新颖性严重缺乏，并刻画了使意外发现性难以实现的典型权衡。