深度学习推荐系统的数据优化
信息检索
2021-06-22 v1 机器学习
摘要
本文倡导在推荐系统用户数据收集上的隐私保护要求。我们的研究目的有两方面。首先，我们探究数据收集的限制是否会损害基于RNN的推荐的测试质量。我们研究验证性能如何依赖于可用的训练数据量。为此，我们结合使用Top-K准确率、目录覆盖率和新颖性，因为对用户良好的推荐未必由传统准确率度量所捕获。其次，我们询问能否通过使用辅助数据源在最小数据下提升质量。为此我们提出知识迁移，并构建一种表示来衡量数据中购买行为之间的相似性。以此对哪个源领域贡献最大作出合格判断。我们的结果显示：（i）当训练规模增至临界点以上时，测试性能出现饱和。我们还讨论了不同性能度量与数据属性之间的相互作用。此外，我们证明（ii）我们的表示对于衡量购买行为是 meaningful 的。特别地，结果表明若依据我们的相似性度量选择相关源领域，可利用辅助数据提升验证性能。
引用
@article{arxiv.2106.11218,
title = {Data Optimisation for a Deep Learning Recommender System},
author = {Gustav Hertz and Sandhya Sachidanandan and Balázs Tóth and Emil S. Jørgensen and Martin Tegnér},
journal= {arXiv preprint arXiv:2106.11218},
year = {2021}
}