更平坦更好：面向推荐系统的百分位变换
信息检索
2019-07-19 v1 机器学习
摘要
众所周知，推荐系统中的显式用户评分偏向于高评分，且不同用户对评分量表的用法存在显著差异。实现者通常通过评分归一化或在分解模型中加入用户偏置项来补偿这些问题。然而，这些方法仅对用户分布的集中趋势进行调整。在本文中，我们证明评分分布缺乏平坦度与推荐性能呈负相关。我们提出了一种评分变换模型，在推荐生成前的预处理步骤中将评分转换为百分位值，从而补偿评分分布的偏度及其集中趋势。该变换使评分分布平坦化，更好地补偿评分分布的差异，并提升推荐性能。我们还展示了该变换的平滑版本，旨在为评分分布非常狭窄的用户产生更直观的结果。一组全面的实验表明，在四个真实世界数据集中，使用最先进推荐算法的这些百分位变换获得了改进的排序性能。
引用
@article{arxiv.1907.07766,
title = {Flatter is better: Percentile Transformations for Recommender Systems},
author = {Masoud Mansoury and Robin Burke and Bamshad Mobasher},
journal= {arXiv preprint arXiv:1907.07766},
year = {2019}
}